临床因果思维引擎指南

by JQ李白@Likemed

你手上有一篇论文。摘要最后一句写着："A 组的总生存显著优于 B 组（HR 0.74, 95%CI 0.58–0.95, P=0.016）。" 现在你要决定的不是这句话是不是真的，而是它能信到什么程度，以及它该不该改变你明天的处置。 这份指南讲的就是这件事的做法。它不是因果推断教科书，而是一套读法：面对一篇具体的研究，从哪里下手、按什么顺序拆、用什么工具、在哪一步该停下来。

0. 先立一个视角：论文是引擎的输出

0.1 一台完整的因果引擎

要从数据得到一个可信的因果结论，需要走完一条完整的链。珀尔把它画成一台机器，称为"因果推断引擎"——它吃三样东西（假设、问题、数据），吐三样东西（能不能答、用什么公式答、答案是多少）。

九个框的含义：

0.2 论文交付给你的，往往只有引擎的尾段

看上面那张表的右列：一篇典型的临床论文写清楚的是 ⑦⑧⑨，也就是数据 → 统计 → 数字。而 ①–⑥ 这一整段——知识、假设、因果结构、目标量、被估量——要么没写，要么只以"我们调整了年龄、性别、分期、ECOG"这样一句话的形式一笔带过。

这不完全是作者的错。期刊格式、篇幅限制、审稿传统都在鼓励这种写法。但后果很实在：引擎前半段的所有判断，被默认交给读者去补完——而大多数读者不会补，于是那些判断就悄悄消失了，一个第一层的关联被当成第二层的因果读走。

0.3 所以读者的任务是：反向重建

读懂一篇研究的因果，本质是把作者没写出来的那大半台引擎倒着拆出来，然后在每一站问三个问题：

这一步他做了吗？做对了吗？如果没做，我要为此打多少折扣？

这份指南的第 2 节把这个过程拆成六道工序。工序的顺序刻意与引擎的方向一致（先目标量，最后才看数字），而不是与论文的阅读顺序一致（摘要先给你数字）。这个顺序上的对抗，是全篇最要紧的一件事——先看数字，你的判断就已经被锚定了。

0.4 一把随身的分诊尺：三层阶梯

在下手之前，先给这篇研究定级。所有与因果有关的问题分三层：

每上一级，都需要下一级根本无法提供的新信息——不是更大的样本量，是不同种类的知识。

这把尺子的用法只有一个动作，但它几乎能定位所有过度解读：

分别标出：这篇研究的分析支持的是第几层，作者的结论说的是第几层。两者的差，就是被偷偷加上去的东西。

最常见的偷渡：分析在第一层（观察性关联、调了几个协变量），讨论在第二层（"提示应考虑早期使用"），而临床读者接收到的是第三层（"我这位患者用了会更好"）。

0.5 这份指南的边界

• 不覆盖统计计算：怎么跑 Cox、怎么算 IPW 权重、怎么选带宽，不在这里。那属于框 ⑧。
• 不替代专业知识：所有因果判断的原料是你对疾病和诊疗流程的理解。本文只提供整理这份理解的格式。
• DAG 只是记法：画图不产生知识，只承载知识。一张漂亮但假设站不住的图，只会让错误结论显得更有说服力。
• 给不出确定性：这套流程的产出是一个有依据的折扣率，不是"可信/不可信"的二值判决。

1. 三十秒定位

拿到一篇研究，先花三十秒做三个判断，再决定要不要投入更多时间。

判断一：它在爬哪一级梯子？

判断二：目标量写出来了吗？

在方法第一段找这五样东西：目标人群、A（比较的是哪两个策略）、Y、时间零点、总效应还是直接效应。五样齐了，这篇论文的作者跑过引擎的框 ⑤；缺三样以上，后面的一切精度都可疑。

判断三：有没有立刻出局的红旗？

• 分组依据是基线之后才知道的信息（"完成 4 周期者" "达到缓解者" "接受了二线治疗者"）
• 两组的随访起点不是同一个时刻
• 协变量选择写的是"单因素分析 P<0.1 者纳入多因素"
• 结局需要影像评估，但两组的检查频率不同、也没提
• 摘要用因果动词（改善、降低、延长），方法里却是纯观察性设计且未提识别策略

命中任何一条，都不意味着这篇文章没价值，但意味着你必须走完第 2 节的全部工序才能引用它。

2. 六道工序

每道工序的结构相同：要回答什么 → 怎么入手 → 用什么工具 → 常见破绽 → 这一步的局限。

工序一 · 目标量：这篇研究到底想估计什么

要回答什么

把作者含糊的"探讨 A 与 Y 的关系"，还原成一个精确的、可以判断真假的量。

怎么入手

用目标试验的方式提问：如果可以不计成本地做一场随机试验来回答这个问题，那场试验长什么样？把它的方案写出来，一共七行：

目标人群 ：谁有资格入组？（要用基线时点就能判定的条件）
策略 A   ：干预组具体做什么？（含剂量、时长、停药规则）
策略 B   ：对照组具体做什么？（"标准治疗"不算答案）
时间零点 ：从哪一刻开始计时？（入组=分组=随访起点，三者必须重合）
结局 Y   ：怎么定义、谁来判定、什么频率评估？
随访规则 ：随访到什么时候？删失怎么处理？
目标效应 ：总效应（意向治疗式）还是直接效应（机制式）？

写完这七行，再回头对照论文：**它的数据分析在多大程度上模拟了这场试验？**每一处偏离，都是一个需要单独论证的地方。

工具

• 目标试验对照表：左栏是你写的七行，右栏是论文的实际做法，中间一栏标"一致 / 偏离 / 无法判断"。三栏表填完，这篇论文的因果结构问题会有一大半自己浮出来。
• 总效应 vs 直接效应的判别问句：你想知道的是"换用这个方案，整体上会怎样"（总效应），还是"这个方案不通过某个中间环节，还剩多少作用"（直接效应）？前者远比后者常见，也远比后者容易识别。

常见破绽

• "标准治疗"作为对照：不同中心、不同年代的标准治疗完全不同，这个对照组实际上是好几个策略的混合物。
• 暴露定义随时间变化却被写成二分类："使用过 statin"——用了三天和用了三年是同一组吗？
• 结局定义偷换：主要终点写 OS，实际报告的是"癌症特异性生存"，后者需要死因判定，而死因判定本身可能与暴露相关。
• 目标人群与分析人群不一致：入组标准写的是所有晚期患者，分析人群却只剩"有完整基线检测的人"。

局限

目标试验框架逼你把问题写清楚，但它不保证这个问题值得问，也不保证它能被回答。它只是让含糊之处无处可藏。另外，有些问题（如"吸烟对健康的影响"）本来就无法对应一场可实施的试验，此时目标试验只能作为思想工具，不能作为标准。

工序二 · 时间：三条线对齐了吗

要回答什么

在这项研究里，符合入组条件、被分入某组、开始计算随访，这三件事是不是发生在同一时刻？

这道工序单独列出来，因为它是观察性研究中最高频、最隐蔽、也最致命的错误来源，而且它不需要任何统计知识就能查出来。

怎么入手

拿张纸，画一条时间轴，标出三个点：

        合格           分组            随访起点
时间轴 ──┼──────────────┼───────────────┼──────────────▶

然后问：这三个点重合吗？如果不重合，中间那段时间，患者在哪一组？

工具

不死时间检查。经典案例：早期研究发现"长期使用某药的人癌症更少"。问题在于——一个人要被归类为"长期使用者"，必须先活得足够久。如果随访从更早的时点开始计，却按患者后来是否成为长期使用者分组，那么"长期使用组"天然排除了早期就发生结局的人。

用图看更清楚：

存活时长同时决定了"能否进入暴露组"和"结局好坏"——关联是被分组规则制造出来的，与药物无关。

同类变体（都是同一个毛病）：

正确的做法（也是你判断论文是否处理了这个问题的依据）：所有人从同一个时间零点开始随访；暴露状态随时间变化（time-varying），或使用地标分析（landmark analysis）、克隆-删失-加权等方法。论文如果只字未提，而分组又依赖基线后信息，这一项就是致命伤，后面的精度全部无意义。

常见破绽

• 表 1 的"基线特征"里出现了只有随访后才知道的变量
• 方法里写"根据是否接受 X 分为两组"，而 X 发生在观察期内的任意时刻
• 生存曲线从 0 时刻就分开，且暴露组早期几乎没有事件（典型的不死时间信号）

局限

时间对齐是必要条件，不是充分条件。三条线对齐了，混杂问题依然存在。反过来，地标分析虽然解决了不死时间，但它把分析人群变成了"存活到地标时点的人"——这本身是一次选择，需要在工序三里重新画进图。

工序三 · 结构：把作者没画的图画出来

要回答什么

在这项研究里，谁影响谁？作者调整的那些变量，各自站在什么位置上？

怎么入手

画一张 5–8 个节点的骨架图。不要追求完整，超过十个节点的图会失去解释力。步骤：

1. 先画 A → Y（主链）；
2. 加入你认为在 A 之前、且同时影响 A 和 Y 的因素（混杂候选）；
3. 加入 A 之后发生、且被作者调整了的变量（中介 / 治疗后变量）；
4. 加入"谁进入了分析"这个节点（选择）；
5. 如果结局需要检测才能被看见，把"真实状态"和"观测结果"分开画。

用分组变量代替细碎变量，图会清爽很多：

工具

四种基本结构——任何复杂的图都是它们的组合，每一种对应一条完全不同的调整策略：

身份判别表——这是这道工序的核心产出。把论文调整过的每一个变量列进去：

一条贯穿全篇的原则：变量的身份由它在因果结构中的位置决定，不由 P 值决定。"单因素分析显著就纳入多因素"这种做法与因果推断完全无关——它既可能漏掉必须调的混杂（因为不显著），也可能调进中介和对撞点（因为显著）。

常见破绽

• 把中介当混杂调：估总效应时把缓解、毒性、停药、后续治疗放进模型，切断了要研究的因果通道
• 把对撞点当协变量调：调整了一个同时受 A 和 Y 影响的变量，凭空造出关联
• 隐性选择没被识别：只分析"可评估病灶者""完成随访者""做了某项检测者"
• 观测 ≠ 真实：把"影像发现的脑转移"直接当作"真实脑转移"，忽略了检查频率的差异

局限

这张图是你替作者画的，箭头来自你的专业判断，不是论文的证据。所以：

1. 明确标注哪些箭头是论文明说的、哪些是你推断的；
2. 数据不能告诉你箭头方向——A → B 与 A ← B 在统计上无法区分；
3. 但图可以被部分证伪：每条缺失的箭头都意味着一条条件独立关系，原则上可以在数据里检验（可惜论文通常不给你这个机会）。

工序四 · 识别：这个问题在这批数据上能不能答

要回答什么

前三道工序确定了"想要什么"和"世界长什么样"。这一道回答最关键的问题：用这批数据，能不能算出那个量？

注意这个问题的形式：它是"能不能"，不是"精不精确"。**这个判断是在假设你拥有无限样本量的前提下做出的。**如果答案是"不能"，那么再大的队列、再复杂的模型都没有用。

怎么入手

你想要的是 P(Y│do(A))——如果我们主动把所有人的治疗改成 A 会怎样。数据给你的是 P(Y│A)——已经用了 A 的那批人后来怎样了。中间隔着"谁被选去用 A"这个机制。

do 在图上是一次很具体的操作：把所有指向 A 的箭头剪掉。剪掉之后，混杂路径自动消失。随机对照试验之所以可信，正是因为随机化在物理上真实执行了这次剪除——谁接受治疗由随机数决定，不再由病情、体能、医生偏好决定。

观察性研究做不了这台手术，只能在纸面上模拟它。有三条路：

工具

路线一：后门调整（最常用）

找一组变量 C，满足：① 阻断 A 与 Y 之间所有的后门路径（A ← C → Y 这类）；② 不包含 A 的后代。满足了，就有：

P(Y│do(A)) = Σ_c P(Y│A, C=c) · P(C=c)

左边是做不到的实验，右边全是数据里能算的量。这个等号就是整件事的核心——它把 do 消掉了。

两个常被忽略的点：右边按目标人群中 C 的分布加权，所以"调整"的本质是把两组重新加权到同一个人群上，而不只是"回归里多放一项"；这也解释了为什么标准化、IPW 与回归系数在有交互时会分道扬镳。

路线二：前门准则（关键混杂测不到时）

如果 A 影响 Y 完全通过一个可测量的中介 M，而 M 本身不受那个未测量混杂的影响，就可以把路拆成两段分别估计再串起来。在肿瘤研究里这个条件通常不成立——治疗几乎总有中介之外的通路（毒性、剂量调整、后续治疗机会）。所以它更多是一种提醒：当作者说"这个药通过缓解起效"时，那是一个很强的断言。

路线三：工具变量

找一个变量 Z，它推动 A，但除了通过 A 之外对 Y 没有任何影响。临床候选：随机分组指派（处理依从性与交叉时）、医生或中心的治疗偏好、到专科中心的距离、指南变更的时间断点、孟德尔随机化中的基因型。

代价：排他性限制（Z 只通过 A 影响 Y）无法用数据检验，只能靠专业知识论证。

三条路的取舍：

三者都不免费。它们做的是同一件事：**把"必须测全混杂"换成另一组假设。**你的任务不是找到没有假设的方法，而是判断哪一组在这个具体场景里更站得住。

如果三条路都走不通，正确的动作有三个，都不包括"多调几个变量"：

1. 明说这个问题在这批数据上不可识别；
2. 把结论降级为关联（这依然可以是有价值的论文）；
3. 换一个能被识别的问题（比如从"治疗效应"改成"接受该治疗的人群中的预后因素"）。

常见破绽

• "我们调整了 20 个变量"：变量数量与识别与否无关。调错了变量比不调更糟。
• 调整集里混着治疗后变量：常见于把整张表 1 一股脑放进 Cox。
• 全治疗队列硬做治疗效应：如果所有人都接受了这个治疗，"治疗 vs 不治疗"根本不可识别。此时应当重构为预后研究。
• RCT 的 per-protocol 分析被当成因果结论：随机化只保护"分配"这一步，一旦按依从性、完成度筛人，保护就失效了，需要重新识别。

局限

识别的判断永远是条件性的：它是"在这张图成立的前提下"能不能答。图错了，识别的结论也就错了。所以这一步的产出不是"能答/不能答"，而是"在以下这几条假设成立的前提下能答，而这几条假设分别有多可信"。把这几条假设列出来，是这道工序最有价值的产出。

工序五 · 估计：数字是怎么来的，有多少信息量

要回答什么

前四道工序都通过之后，才轮到看数字。这一道问：这个数字把参数的可能位置压到了多窄？

怎么入手

把点估计和区间读成一股拉力，而不是一个判决：

• 点估计 HR=0.74：在所用模型下，最能解释当前数据的参数值在 0.74 附近
• 95%CI 0.58–0.95：从"相当可观的获益"到"几乎可以忽略的获益"，都与数据相容
• P=0.016：在"完全无效"这个特定假设下，当前或更极端的结果不太常见

三句合起来读：数据把判断推离了"完全无效"，但获益的幅度远未被钉死。

工具

信息量三查：

1. **事件数，不是样本量。**生存分析的信息量来自事件数。1000 人随访 3 个月发生 40 个事件，其信息量不如 200 人随访 3 年发生 120 个事件。
2. **区间宽度。**窄区间说明数据把参数压得紧；宽区间说明还有大片可能性没被排除。区间跨过无效值不等于"没效"，只等于"没排除无效"。
3. **绝对差，不只是相对值。**同一个 HR，在不同基线风险下对应完全不同的绝对获益。务必找固定时间点的生存率差、中位数差、限制性平均生存时间。

HR 的三个坑（临床论文里最常被误读的量）：

• **HR ≠ 死亡概率下降的百分比。**HR=0.74 说的是瞬时风险比，不是"死亡率下降 26%"。
• **HR 依赖比例风险假设。**曲线交叉、延迟分离（免疫治疗常见）时，单一 HR 是几条不同时段效应的加权平均，权重还取决于事件何时发生。
• **HR 随时间内建了一层选择。**能活到后期还在随访中的人，本身就是被筛过的——两组的"幸存者"构成不同，晚期的 HR 因此天然带偏。这不是估计误差，是结构性的。

**该同时去找的东西：**Kaplan–Meier 曲线的形状、固定时间点的绝对差、RMST、事件数随时间的分布、非比例风险的检验。

常见破绽

• 只报相对值不报绝对值（10% → 7.4% 和 50% → 40% 的 HR 可以一样，临床含义天差地别）
• 亚组森林图里挑一个显著的说事（多重比较 + 亚组内识别条件通常更差）
• 用中位数差描述全部获益（尾部长期生存者的获益，中位数看不见）
• 换了主要终点或分析人群，却没在方法里说明

局限

**精度不能修复偏倚。**这是这道工序最需要记住的一句话。一个识别错误的分析，样本量越大，只是把一个错误的参数估计得越精确。窄区间和小 P 值不是可信度的证据，它们只在前四道工序通过之后才有意义。

工序六 · 更新：我应该移动多少

要回答什么

看完这篇研究，我对这个临床问题的判断，应该从哪里移到哪里？

怎么入手

不要问"这篇文章证明了吗"，而要问四件事，按顺序：

1. 看这篇之前，我原本认为效应大概在哪里？为什么？
2. 这组数据往哪个方向拉、拉力有多大？（工序五）
3. 因为设计问题，这股拉力要打几折？（工序一至四）
4. 打完折之后，我现在站在哪里？我还没有相信什么？

第 3 步是这套读法与"看 P 值"的根本差别：**拉力的大小由数据决定，拉力的可信度由设计决定，两者必须分开计价。**一个识别干净的小样本研究，可能比一个识别混乱的大数据研究更值得移动你的判断。

工具

四句话结论模板（可直接用于 journal club 或病例讨论）：

看这篇之前，基于 ______，我认为 ______，主要不确定性在 ______。 这组数据把效应中心推向 ______，并明显压低了 ______ 的解释。 但因为 ______（设计问题），我对这股拉力打 ______ 折。 所以我从 ______ 移动到了 ______；我还没有被推到 ______。

最后一句是模板里最重要的一句。明确说出"我还没有相信什么"，比说出你相信什么更有价值，因为它标出了下一项研究应该去回答的问题。

两种敏感性分析（判断结论稳不稳的两个方向）：

论文若做了前者，可信度显著提升；一篇没做任何敏感性分析、却给出强因果结论的观察性研究，本身就是一个信号。

常见破绽

• 一篇定论式阅读："这项研究证明了 X"——单项研究几乎从不证明任何事，它只移动判断。
• 不打折的阅读：把发在高影响因子期刊、样本量大、P 值小当作可以跳过工序一至四的理由。
• 只更新一个参数：只看生存获益，不同步更新毒性、生活质量、成本、可及性——而临床决策需要的是这几个参数的联合更新。

局限

更新的终点不是"该不该用这个药"。统计和因果推断能告诉你获益可能有多大、不确定性有多大、代价可能是什么，但"值不值得"取决于这位患者的基线风险、对毒性的承受、经济状况和价值观。这一步永远不能被计算替代——把它明确留给医患共同决策，是这套流程的正确终点，不是它的失败。

3. 完整走一遍：黎巴嫩免疫治疗断供研究

选一篇真实的、且乍看结果反直觉的研究来走完六道工序。反直觉的结果最能检验这套流程有没有用——因为它不允许你用"符合预期"蒙混过关。

论文：Impact of Lack of Access to Immunotherapy on Survival in Stage IV Non-Small Cell Lung Cancer: A Multicenter Retrospective Study From Lebanon. JCO Global Oncology, 2026-07-22, PMID 42485593.

设计：黎巴嫩多中心回顾性研究，翻阅 500 份病历，纳入经济危机前 73 例、危机期 85 例新诊断 IV 期 NSCLC，共 158 例。经济危机造成药物短缺与治疗中断，形成了被迫减量的场景。

结果：免疫治疗接受者中，全剂量、50%–99%、低于 50% 剂量密度分别占 44.0%、41.4%、14.7%；三组中位 PFS 依次为 6.33、12.86、10.23 个月，差异未达统计学显著（P=0.132）。

先记下那个反常：剂量最低的两组，中位 PFS 反而比全剂量组长一倍左右。如果照字面读，结论会是"减量更好"——这显然荒谬。我们的任务不是宣布它荒谬，而是说清楚这个数字为什么会长成这样，以及它到底能支持什么。

三十秒定位：回顾性观察性研究；分组依据是随访期内实际发生的给药强度；结局是 PFS（需影像评估）。分析支持的层级：第一层。红旗命中两条——分组依据是基线之后才知道的信息；结局需影像评估而两个时期的检查条件很可能不同。

工序一 · 目标量

先写目标试验，再对照：

这一栏是全篇的关键：策略 A/B 的定义错位了。目标试验里的"减量"是一个在时间零点就指派下去的策略；论文里的"剂量密度"是整个治疗过程结束后回头算出来的实现值。两者名字相同，含义完全不同——前者是原因，后者很大程度上是结果。

顺带注意：这篇论文实际上打包了两个不同的比较——危机前 vs 危机期（一个近似自然实验），和剂量密度三分组（一个暴露后分组）。前者的因果结构远比后者干净。混在一起讨论，会让后者借用前者的可信度。

工序二 · 时间

画三条线：

        合格            分组                        随访起点
        （诊断IV期）    （剂量密度算出来时）        （治疗开始）
时间轴 ──┼──────────────────────────────────────┼─────────────▶
                    ↑ 分组所需的信息，
                      要等治疗全程结束后才存在

三条线没有对齐，而且错位方向很特殊，值得仔细拆：

• 反向路径：早期进展或早期死亡 → 治疗提前终止 → 累积剂量少。这条路径把"预后差"推向"低剂量密度"，方向是让低剂量组显得更差。
• 不死时间路径：要因短缺而经历"被迫减量"，你必须在短缺持续期间还活着、还在接受治疗。活得越久，暴露在减量情境下的机会越多。这条路径把"活得久"推向"低剂量密度"，方向是让低剂量组显得更好。

两条路径方向相反，哪条占上风取决于剂量密度的分母怎么定义（是"计划全疗程"还是"实际治疗期内应给的量"）——而摘要没说。这本身就是一个结论：在暴露定义澄清之前，这个比较的偏倚方向都无法确定。

工序三 · 结构

把作者没画的图画出来（虚线表示这是我的推断，不是论文的证据）：

身份判别：

最值得注意的是"影像检查频率"这一条。PFS 是一个被检出的事件：查得越少，进展被记录得越晚，测出来的 PFS 就越长。经济危机同时压低了给药强度和影像频率，而这两件事发生在同一批患者身上——于是低剂量组的 PFS 被系统性地拉长。

**这条路径与观察到的反常方向完全一致，而且它甚至不需要任何真实的生物学效应。**在我看来，它是这组数字最经济的解释。

工序四 · 识别

**目标量一（策略性减量的因果效应）：不可识别。**三条理由，任何一条单独成立就足够：

1. 暴露被定义为实现值而非指派策略（工序一），这个量在目标试验里没有对应物；
2. 关键混杂——疾病侵袭性、患者状态、支付能力、医生的优先分配决策——基本不可能在回顾性病历中被充分测量；
3. 结局的测量过程与暴露相关（危机同时改变给药和影像频率），这是一条无法靠调整协变量修复的路径。

有没有可用的工具变量？危机本身看起来像一个外生冲击，是很自然的候选。但排他性限制不成立：危机不只通过剂量密度影响 PFS，它同时改变了影像频率、支持治疗、转诊路径乃至患者的营养与依从状况。这个工具通向结局的路不止一条。

目标量二（危机期 vs 危机前，作为一种"暴露于断供环境"的策略效应）：部分可识别。这个比较更接近一次自然实验，时间零点也更容易对齐。代价是日历时间混杂——两个时期的诊断技术、可及药物谱、支持治疗都不同。这是这份数据能支撑的最强的因果性问题，但论文的重点没有放在这里。

**目标量三（描述断供的实际形态）：完全可识别，且不需要任何因果假设。**44.0% / 41.4% / 14.7% 这个分布本身就是可靠信息。

工序五 · 估计

• 样本量：158 例，其中低于 50% 剂量密度组占免疫治疗接受者的 14.7%——大约十几个人。
• 事件数：未报告。生存分析的信息量来自事件数，缺了它无法判断这三条曲线有多少支撑。
• 区间：三个中位数都没有给区间，只有一个整体的 P=0.132。
• 非单调性：6.33 → 12.86 → 10.23，随剂量下降先升后降。真实的剂量-反应关系很少长这样；非单调本身就是混杂或偏倚的提示，而不是需要用生物学去解释的现象。

关于那个 P=0.132，有一条纪律必须守住：**它不能被读成"三组无差异"。**这项研究没有按等效性设计，功效极低（最小组十余人），"没测出差异"在这里几乎不携带信息。

工序六 · 更新

看这篇之前，我认为免疫治疗的剂量-暴露-效应关系在治疗窗内相对平坦（这有既往药代与剂量探索研究支持），但主动减量是否安全缺乏可靠证据；同时我对真实世界断供的规模没有具体概念。

这组数据在"减量是否影响疗效"上给出的拉力：方向可疑、强度极弱。数值上低剂量组更好，但至少三条偏倚路径（不死时间、影像频率、支付能力选择）都朝这个方向推，而它们与真实效应无关。

因此这一股拉力我打到接近零折——我在"减量是否安全"这个参数上几乎没有移动。特别地，我没有被推向"减量与全剂量等效"，那需要一项按等效性设计的研究。

但这篇文章在另一个参数上明显移动了我：断供发生时，实际剂量密度的分布是 44% / 41% / 15%——超过半数患者没能拿到全剂量。这个量不需要任何因果假设就成立，而且是制定供应中断预案时真正要用的数字。

最终评价：一篇有价值的论文，而且它自己的措辞是克制的——原文没有主张减量获益，也说明了未按等效性设计。风险不在作者，在引用它的人。

正确的引用方式：

• ✅ "在黎巴嫩经济危机期间，超过半数接受免疫治疗的 IV 期 NSCLC 患者未能获得全剂量，其中 14.7% 剂量密度低于 50%。"
• ✅ "该研究记录了供应中断的真实形态，可用于制定断药预案。"
• ❌ "真实世界数据提示免疫治疗减量不影响 PFS。"
• ❌ "低剂量组 PFS 更长，提示可能存在最佳剂量窗。"

如果要把它变成一项能回答减量问题的研究，需要改三处：把暴露改为时间零点即可判定的指派策略（例如"该中心在该时段的供应状态"）；对影像评估频率做匹配或敏感性分析；把问题重新表述为等效性/非劣效并据此估算样本量。

4. 一页判决书

读完一篇研究，把结论压缩成这张表。它可以直接贴进文献笔记或 journal club 幻灯。

研究         ：
声称的层级   ：□ 关联  □ 干预  □ 反事实
分析支持的层级：□ 关联  □ 干预  □ 反事实      ← 两行不一致就是过度解读

目标量       ：（七行目标试验里最关键的三行）
时间对齐     ：□ 三条线重合  □ 存在不死时间  □ 无法判断
结构问题     ：□ 调了中介  □ 调了对撞  □ 隐性选择  □ 观测≠真实  □ 无明显问题
识别         ：□ 成立（假设：______）  □ 不成立（原因：______）  □ 无法判断
信息量       ：事件数 ____，区间 ____，绝对差 ____
偏倚方向     ：□ 倾向夸大  □ 倾向低估  □ 方向不明        ← 比"有偏倚"有用得多
敏感性分析   ：□ 做了（______）  □ 未做

我的移动     ：从「______」到「______」
仍未被更新   ：______
可以怎么引用 ：______

其中偏倚方向这一栏值得特别注意：说"这项研究有混杂"几乎不提供信息，因为所有观察性研究都有。有用的判断是混杂朝哪个方向推——如果偏倚方向与观察到的效应方向相反，那么真实效应可能比报告的更大，这个结论反而更稳。

填好之后长这样（第 3 节那篇）：

研究         ：黎巴嫩免疫治疗断供研究（JCO Glob Oncol 2026, PMID 42485593）
声称的层级   ：■ 关联                        ← 作者措辞克制，未越级
分析支持的层级：■ 关联

目标量       ：A=实际达成的剂量密度（非指派策略），Y=PFS，时间零点未明确
时间对齐     ：■ 存在不死时间（分组依据在随访期内才产生）
结构问题     ：■ 隐性选择（仅免疫治疗接受者）  ■ 观测≠真实（影像频率随危机下降）
识别         ：■ 不成立（暴露定义错位 + 关键混杂不可测 + 测量过程与暴露相关）
信息量       ：事件数未报，无区间，最小组约十余人，P=0.132（未按等效性设计）
偏倚方向     ：■ 倾向夸大低剂量组的表现（三条路径同向）
敏感性分析   ：■ 未做

我的移动     ：从「减量是否安全证据不足」到「减量是否安全证据仍不足」（≈未移动）
             另：从「不清楚断供规模」到「超半数患者未获全剂量，15% 不足半量」
仍未被更新   ：减量与全剂量的等效性；断供对 OS 的影响；不同瘤种的可推广性
可以怎么引用 ：作为断供实际形态的描述性证据，不作为减量安全性的证据

注意"我的移动"那一栏出现了两行：**一项研究可以在某个参数上完全推不动你，同时在另一个参数上给出确实有用的信息。**把这两者分开记，比给整篇文章打一个"可信/不可信"的总分有用得多。

5. 结论该停在哪一层：措辞对照

写作和讲述时，让句子停在你实际算出来的那一层。

三条容易被忽略的措辞纪律：

1. **"独立预测因子"不是因果表述。**它只说明在某个模型里系数不为零，与"改变它会改变结局"无关。
2. **"调整后仍显著"不提升层级。**调整的正确性来自结构，不来自显著性。
3. 群体量不能直接搬到个体。"人群平均延长 3 个月"与"这位患者能多活 3 个月"之间，隔着一整级阶梯和一整组新假设。

6. 十个"看起来严谨"的信号

这些做法在论文里显得专业，但对因果结论没有帮助，有时反而有害：

1. "单因素分析 P<0.1 者纳入多因素" —— 变量选择应基于结构，不基于显著性
2. "我们调整了所有基线特征" —— 表 1 里常混着治疗后变量和对撞点
3. 倾向评分匹配 —— 只是后门调整的一种实现方式，无法处理未测量混杂；匹配后样本代表性还可能变差
4. "多变量分析证实了独立相关性" —— 独立性是统计概念，不是因果概念
5. 超大样本量 —— 只压缩随机误差，对系统偏倚毫无作用
6. "结果与既往研究一致" —— 如果既往研究有同样的设计缺陷，一致性只是缺陷的复现
7. 只看 P 值不看区间 —— 显著与否不告诉你效应可能有多大
8. per-protocol 分析作为"更真实"的补充 —— 它通常引入的是选择偏倚，不是真实性
9. 亚组森林图里挑显著的解释 —— 亚组内识别条件通常更差，多重比较也未控制
10. "因果关系需要 RCT 证实"作为万能免责声明 —— 这句话既回避了本研究能不能识别的问题，也忽视了 RCT 自身在随访阶段同样会失去保护

附录 A · 记号对照

读文献时会遇到几套长得像、含义完全不同的记号。混淆它们是解释错误的主要来源。

三条实用提醒：

• **回归里"加一项"永远是条件化，永远不是 do。**变量塞进模型不会让它获得干预含义；授予干预含义的是图的结构。
• **P(Y│do(A), M=m) 与 P(Y│do(A), do(M=m)) 完全不同。**前者是挑出一个亚组，后者才是"把 M 固定住"。Y ~ A + M + C 给的是前者，人们几乎总想解释成后者。
• **中介分析比总效应高一整级。**自然直接/间接效应需要嵌套反事实——要求把 M 设成"如果这个人没用药、他本会有的那个值"，这个值从来不存在于任何数据中。

附录 B · 分级读法

不是每篇文章都值得走完六道工序。按用途分级：

五分钟（筛选：这篇值不值得细读）

1. 三十秒定位（第 1 节的三个判断）
2. 时间三条线是否对齐（工序二）
3. 有没有调中介或以治疗后变量筛人（工序三的两条最常见破绽）

任何一条命中，先归入"存疑"堆，不要引用。

三十分钟（要引用、要在科室讲）

1. 填目标试验七行对照表（工序一）
2. 画 5–8 节点骨架图 + 身份判别表（工序三）
3. 判断识别是否成立，并列出所依赖的假设（工序四）
4. 查事件数、区间、绝对差（工序五）
5. 写四句话结论 + 一页判决书（工序六、第 4 节）

深读（要据此改变临床实践或写进综述） 在上面基础上补：偏倚方向的定量评估（E-value 或简单偏倚分析）、与既有证据的联合更新、未被更新参数的清单、如果要设计一项更好的研究该改哪三处。

附录 C · 常见结构速查

参考与延伸

入门

• Pearl J, Mackenzie D. The Book of Why.（中译《为什么：关于因果关系的新科学》，中信出版集团，2019）——本文的引擎框架、三层阶梯、图手术、辛普森悖论均源自此书。零基础首选。

方法

• Hernán MA, Robins JM. Causal Inference: What If. Chapman & Hall/CRC, 2020.（识别、混杂、选择偏倚、测量偏倚、工具变量、g-methods 的系统处理）
• Hernán MA, Robins JM. Using big data to emulate a target trial when a randomized trial is not available. Am J Epidemiol. 2016;183(8):758–764.（工序一的方法来源）
• Hernán MA. The hazards of hazard ratios. Epidemiology. 2010;21(1):13–15.（工序五中 HR 的结构性问题）
• Dickerman BA, et al. Avoidable flaws in observational analyses: an application to statins and cancer. Nat Med. 2019;25:1601–1606.（工序二不死时间的标准参考）
• VanderWeele TJ. Explanation in Causal Inference. Oxford University Press, 2015.（中介与交互；附录 A 中嵌套反事实的正规处理）
• Greenland S, et al. Statistical tests, P values, confidence intervals, and power: a guide to misinterpretations. Eur J Epidemiol. 2016;31:337–350.（工序五的读数纪律）

工具

• DAGitty：在线画图，自动给出最小充分调整集、列出可验证的蕴涵、搜索工具变量。工序三画完图后用它复核一遍，比手工数路径可靠。

第 3 节案例出处

• Impact of Lack of Access to Immunotherapy on Survival in Stage IV Non-Small Cell Lung Cancer: A Multicenter Retrospective Study From Lebanon. JCO Glob Oncol. 2026. PMID 42485593.（本仓库周报 reports/lc/weekly-2026-07-30.md 第 7 条）

本仓库内的两篇专题

• dag-guide.md：DAG 的完整读图与设计方法（工序三、四的展开）
• laplace-guide.md：贝叶斯式的证据更新读法（工序五、六的展开）