Open wanghaisheng opened 9 years ago
流行病學的因果推論(Causal inference in Epidemiology)
Overview
公雞啼叫,日光出現,日復一日,似乎有規律,你做出大膽的假設,如果公雞啼叫是引起日出的原因,則雞啼後日光沒有出現,規律失敗,若日光出現了,規律重現。因此你在某天早晨聽到雞啼後,開始紀錄是否可以看到日光出現,結果不出所料,雞啼後日光出現,於是你大膽的假設獲得了印證,因此猜想雞啼與日光可能有某種關係,但大膽假設必須謹慎求證,因此你謹慎地調查了將近100天,每天的結果都重複印證了雞啼日出的規律,你獲得了初步結論:雞啼引起了日出。
[![](http://upload.wikimedia.org/wikipedia/commons/6/65/Francis_Bacon.jpg)](http://upload.wikimedia.org/wikipedia/commons/6/65/Francis_Bacon.jpg) |
Francis Bacon (22 Jan 1561 – 9 Apr 1626) |
[![](http://upload.wikimedia.org/wikipedia/commons/c/cc/John_Snow.jpg)](http://upload.wikimedia.org/wikipedia/commons/c/cc/John_Snow.jpg) |
(5 Mar 1813 – 16 Jun 1858) |
[![](http://www.iep.utm.edu/wp-content/media/hume-bust.jpg)](http://www.iep.utm.edu/wp-content/media/hume-bust.jpg) |
David Hume (7 May 1711 – 25 Aug 1776) |
[![](http://pages.stolaf.edu/cis-tknapp/files/2013/05/Immanuel-Kant.jpg)](http://pages.stolaf.edu/cis-tknapp/files/2013/05/Immanuel-Kant.jpg) |
Immanuel Kant (22 Apr 1724 – 12 Feb 1804) |
[![](http://skepticism-images.s3-website-us-east-1.amazonaws.com/images/jreviews/karl-popper.jpg)](http://skepticism-images.s3-website-us-east-1.amazonaws.com/images/jreviews/karl-popper.jpg) |
Karl Popper (28 Jul 1902 – 17 Sep 1994) |
[![](http://upload.wikimedia.org/wikipedia/en/thumb/2/20/George_Robert_Price.jpg/220px-George_Robert_Price.jpg)](http://upload.wikimedia.org/wikipedia/en/thumb/2/20/George_Robert_Price.jpg/220px-George_Robert_Price.jpg) |
George Price (6 Oct 1922 – 6 Jan 1975) |
[![](http://3.bp.blogspot.com/_1m_o4PK-02M/TJzYeEl3NAI/AAAAAAAAAPA/j9Zzcwnol9I/s1600/lewis.jpg)](http://3.bp.blogspot.com/_1m_o4PK-02M/TJzYeEl3NAI/AAAAAAAAAPA/j9Zzcwnol9I/s1600/lewis.jpg) |
David Lewis (28 Sep 1941 – 14 Oct 2001) |
先歸納再反證至今已是部分科學檢驗的流程,然而生物醫學的領域中,疾病事件的因果關係卻充滿高度異質性,而且致病原通常極不特異,例如多因一果,多因多果的狀況,這種例子絕大多數都是慢性病,在這種狀況下,縱使exposure與outcome存在因果關係,全部的人都接觸exposure,也並非所有人都會發生outcome,原因不外乎是這種因果關係是屬於間接關係,因與果之間還有許多因素介入,或者因果關係之間存在交互作用,兩個因彼此拮抗、協同,又或者是多因子交互作用。受限於實際上複雜的因果關係,基本因果推論顯得毫無用處,為了解決這種推論的困境,一種獨特又極具吸引力的因果推論由哲學家David Lewis在1973年發展提出。 Counterfactual theory[3]是一個在理論上可以判別因果關係的想法,我們以生物醫學的例子來舉例說明counterfactual的概念,假使今天我們要研究喝咖啡與胰臟癌是否存在因果關係,一個很直覺的想法就是找一群完全沒喝咖啡且沒有胰臟癌的人,然後全部都給予喝咖啡並持續不間斷,接著觀察30年後胰臟癌的發生個數,於是我們可以計算出這群人在開始持續喝咖啡30年後得胰臟癌的incidence rate。 接著我們將時空再倒流到30年前,但這次全部的人都不准喝咖啡,然後觀察30年後胰臟癌的發生個數,於是可算出這群人完全不喝咖啡30年後得胰臟癌的incidence rate。 Population (coffee) -----------------> Incidence rate of pancreatic cancer Population (non-coffee) -----------------> Incidence rate of pancreatic cancer 為了推論有效,假設兩種時空狀態只有喝咖啡與不喝咖啡是有差異的,但其餘的條件皆相同,故兩個時空所計算得到的incidence rate就可以拿來比較,若有喝咖啡的incidence rate與沒喝咖啡的皆相同,則喝咖啡與胰臟癌便沒有因果關係,反之則否。 上述的例子呈現Counterfactual theory用於因果推論上的優美,而且在理論上能夠甄別出特定暴露源是否會促進特定疾病的發生,若隨著暴露源的改變,而疾病也隨著改變,則兩者的關係就很明確,而且也可以藉此量化出因果關係之間的強度。然而實際上這理論卻不能執行,其最大的原因有二。第一,counterfactual theory依靠相同人群相同條件不變情況下,接受暴露與非暴露兩種時空反應,然而在現實中根本不能將時空倒流,同一群人一次只能接受一種情境。第二,我刻意舉這個例子是為了額外說明,任何調查傷害性暴露風險為目的之研究,都不能以介入的手段來執行調查,必須以觀察性的方式,且必須尊重個案(參與者)意願,隨時都可讓參與者退出調查,而這也是世界醫學倫理的規範,其他倫理規範內容可詳見2013年新版的Declaration of Helsinki內容。 "順便一提,喝咖啡可能導致胰臟癌是近二、三十年來備受爭議的研究,其爭議原因有來自於商業經濟的質疑(咖啡供應商之間的角力,其內容可見Mark Pendergrast於2000年出版的Uncommon Grounds: The History of Coffee and How It Transformed Our World,中文譯本為咖啡萬歲,譯者韓懷宗)、研究設計的證據力不足等(絕大多數是hospital-base case-control study,關於case-control study的研究設計優缺點會再以後說明),然而systematic review和meta-analysis study的研究都無法一致性的指出喝咖啡是否真的與胰臟癌的發生有因果機制的關係。" Hill's criteria
[![](http://sphweb.bumc.bu.edu/otlt/MPH-Modules/EP/EP713_Causality/hill.gif)](http://sphweb.bumc.bu.edu/otlt/MPH-Modules/EP/EP713_Causality/hill.gif) |
Austin Bradford Hill (8 Jul 1897 – 18 Apr 1991) |
由流行病學家Austin Bradford Hill爵士於1965年發表的因果推論準則[4],一共包含九大類,九項均是根據實際上明確的因果關係中所存在的特徵而提出,因此在判定是否存在因果關係的問題中,可根據實際研究結果是否符合以下的條件來衡量因果關係:
[![](http://yousaytoo-us.s3-website-us-east-1.amazonaws.com/post_images/32/78/2b/9141429/remote_image_4ccfdbdbfb.jpg)](http://yousaytoo-us.s3-website-us-east-1.amazonaws.com/post_images/32/78/2b/9141429/remote_image_4ccfdbdbfb.jpg) |
Kenneth Rothman |
[![](http://2.bp.blogspot.com/-OXnymNVhEBY/Uud2JnqWOgI/AAAAAAAAAG4/QhySnZ5YsEY/s1600/causal+pie.png)](http://2.bp.blogspot.com/-OXnymNVhEBY/Uud2JnqWOgI/AAAAAAAAAG4/QhySnZ5YsEY/s1600/causal+pie.png) |
Figure 1. Sufficient-component cause model. |
[![](http://3.bp.blogspot.com/-kjpBCwOEBHA/Uud2Jm-9uhI/AAAAAAAAAHA/MhfAgiQoJQE/s1600/causal+pie3.png)](http://3.bp.blogspot.com/-kjpBCwOEBHA/Uud2Jm-9uhI/AAAAAAAAAHA/MhfAgiQoJQE/s1600/causal+pie3.png) |
Figure 2. Necessary cause and component cause in four sufficient cause models of disease. |
![](http://4.bp.blogspot.com/-ywkKx-aOJWs/Uud2JnYsAsI/AAAAAAAAAHE/DLH3mcRalF0/s1600/causal+pie2.png) |
Figure 3. Six types of sufficient cause models of heart disease. |
Sufficient component cause model的缺點,各因子之間的時序關係難以釐清,這很可能造成某種誤解,例如在一些具有time-dependent的交互作用的情境下,研究者有必要去了解個因子之間在時間次序所扮演的腳色,並釐清之間的關係。若讀者對於sufficient component causal model的應用有興趣,可以參考Rothman的Modern epidemiology[6],這本書提供了進階者學習流行病學的概念與應用,在前半段章節中也有詳細的sufficient component causal model的詳細討論。目前在概念上是很方便的因果推論工具,但在實際應用上仍然沒有很好的進展,近年來將Sufficient component cause model應用於流行病學的推論上最大的進步是著眼於交互作用的部分,而2010年發表的causal pie model與其後續的系列論文都是延續Sufficient component cause model的架構去延伸至不同研究設計的交互作用效應甄別,故回到流行病學最單純的因果效應推論上,Sufficient component cause model仍然只停留在理論階段,等待有人進一步延續並發展。
[![](http://www6.pcmag.com/media/images/338302-judea-pearl.jpg?thumb=y)](http://www6.pcmag.com/media/images/338302-judea-pearl.jpg?thumb=y) |
Judea Pearl |
[![](http://3.bp.blogspot.com/-j6N4OH-Z2Y8/VBGhFxKVT9I/AAAAAAAAAHo/206gKuZGW_U/s1600/%E6%9C%AA%E5%91%BD%E5%90%8D.png)](http://3.bp.blogspot.com/-j6N4OH-Z2Y8/VBGhFxKVT9I/AAAAAAAAAHo/206gKuZGW_U/s1600/%E6%9C%AA%E5%91%BD%E5%90%8D.png) |
Figure 4. Acyclic and cyclic graphs. |
[![](http://3.bp.blogspot.com/-6PwOv9nEJFQ/VBKno-xNJDI/AAAAAAAAAII/72E9CHvbnxo/s1600/%E6%9C%AA%E5%91%BD%E5%90%8D2.png)](http://3.bp.blogspot.com/-6PwOv9nEJFQ/VBKno-xNJDI/AAAAAAAAAII/72E9CHvbnxo/s1600/%E6%9C%AA%E5%91%BD%E5%90%8D2.png) |
Figure 5. The d-separation rules of DAGs in causal diagram. |
原文地址 流行病學的因果推論(Causal inference in Epidemiology)