太卷了！三区论文都用上了双重机器学习与精准医学的统计分析方法

源自风暴统计网：一键统计分析与绘图的网站

让我们一起来看一下这篇文章！

研究设计与统计分析方法

• 目标变量：PsAID评分从基线至第3/4次访视的变化值。

  PsAID评分范围为0-10分，分值越高表示疾病对生活质量影响越严重。

• 暴露变量：基线起始的司库奇尤单抗剂量，150 mg编码为0，300 mg编码为1。

• 混杂变量：目标变量基线值、BMI、PASI评分、TNF-α抑制剂既往治疗月数、生物制剂既往治疗次数、斑块状银屑病存在情况。

• 控制变量：仅影响结局的其余基线特征，包括人口学特征（年龄、性别等）、基线其他疾病活动度及HR-QoL评分等。

√双重机器学习框架

研究采用EconML包中的CausalAnalysis类实现双重机器学习。该框架分为两个阶段：

第一阶段：分别构建两个预测模型

• 暴露模型：以混杂变量W为特征，预测患者接受高剂量治疗的概率；
• 结局模型：以混杂变量W为特征，预测结局Y（PsAID变化值）。

两个模型分别输出暴露残差与结局残差--即实际值与预测值之差。

这一步的核心作用是剥离混杂因素对剂量选择和结局的干扰，使后续分析不受其直接影响。

第二阶段：计算条件平均处理效应（CATE）

基于第一阶段提取的残差，采用LinearDML或CausalForestDML类估计条件平均处理效应。

• LinearDML适用于线性假设场景，CausalForestDML则基于因果森林捕捉非线性异质性效应。
• CausalAnalysis类整合了k折交叉验证，用于评估模型在训练数据上的稳定性。
  

基于估计的CATE，研究团队进一步开展了以下分析：

• 亚组分析：使用异质性决策树展示不同亚组的治疗效应差异。以CATE为分裂准则，识别使治疗效应异质性最大化的特征切点，生成可解释的分层规则。

• 个体化预测：通过反事实结局模拟实现。对于每例患者，模型基于其特征预测假设切换至另一剂量时的潜在结局，进而评估其在预设疾病负担类别（缓解、低负担、中等负担、高负担）之间的转移情况。

主要研究结果

研究结果显示，双重机器学习校正混杂偏倚后，与使用低剂量的相比，接受较高剂量的患者中有 41.4% 的患者在银屑病关节炎影响疾病 (PsAID) 指数方面有更大的改善（平均减少：1.81 vs. 1.44）。

亚组分析显示，BMI 或 C-反应蛋白 (CRP) 值升高的患者，CATE 增加。

基于CATE模型预测，若低剂量组患者全部切换至高剂量，约75%可获得最高0.8分的额外获益。

老郑小评

因果推断的方法论已日趋成熟，今天这篇文章就是一个很好的例证。

研究团队应用双重机器学习（DML）框架，先用机器学习模型剥离混杂偏倚，再基于残差估计条件平均处理效应（CATE）。最终得到的不再是一个笼统的“平均有效”，而是每个患者基于自身特征的个体化获益预测。

传统观察性研究只能告诉我们“总体上高剂量比低剂量好多少”，但医生面对的是活生生的个体——眼前这位BMI 35、CRP升高的患者，到底值不值得加量？

CATE给出的答案很具体：这类患者从150 mg升级到300 mg，PsAID评分预期多降0.52分，远高于全人群平均的0.236分。值不值得加量，数据有了明确的参考。

现在做因果推断，早已不用从零造轮子。郑老师团队的因果推断与机器学习训练营，已经能够教你从零基础实现很多因果推断方法，例如因果随机森林、双重稳健估计以及双重机器学习，全套代码都已经整理好了。

所以说，因果推断方法学实现的门槛早已经降低了——只要理解了因果框架的基本逻辑，普通研究者也能在自己的观察性数据中复现这套分析。

【因果推断与机器学习】未来医学科研的大势所趋

临床、护理、公卫的朋友们，2026年，将是诸位因果推断方法革新的一年。郑老师团队推出“因果推断与机器学习”训练营，丰富的因果推断方法教学，课程理论结合R语言实操，覆盖从基础到进阶的完整链条，欢迎参加！

模块一：理论

1.流行病任务与因果推断；2.因果推断与偏倚控制

模块二：回归与G方法

3.回归的方法及其应用；4.G方法及实践

模块三：倾向得分

5.倾向得分方法；6.倾向得分加权

模块四：机器学习

7.机器学习理论；8. 机器学习与 G方法；9.机器学习与倾向得分

模块五：双重稳健估计方法

10.双重稳健方法；11.双重机器学习

模块六：TMLE方法

12.TMLE 方法；13.机器学习与 TMLE方法

模块七：缺失数据填补与因果推断

14.缺失数据填补与机器学习；15.缺失数据填补后双重稳健估计

模块八：中介分析与因果中介

16.中介分析与因果中介；17.双重稳健估计下的中介分析

模块九：处理效应异质性分析

18.处理异质性分析方法；19.因果森林方法

报名训练营，请添加郑老师助教微信咨询（微信：aq566665）