治疗效果的异质性：超越平均

几十年来，科学和医学一直依赖一个强大但粗糙的工具：平均效应。我们基于大型试验中对“平均”人有效的方法来评估药物、政策和疗法。然而，对平均治疗效果（ATE）的关注常常掩盖了一个更复杂、更重要的事实：干预措施对不同的人产生不同的影响。这种差异被称为治疗效果异质性（HTE），它代表了一个关键的知识空白。依赖平均值可能导致一些人错失良机，而对另一些人造成潜在伤害。理解HTE是超越“一刀切”解决方案，迈向个性化医疗和精准政策未来的关键。本文将对HTE进行全面探讨。首先，在“原理与机制”一章中，我们将剖析因果推断的基本概念，区分预测性因素和预后性因素，并探讨识别真实异质性时面临的统计学挑战。随后，“应用与跨学科联系”一章将展示HTE在临床决策、试验设计、经济评估和追求健康平等等不同领域的深远影响。

想象一下你是一名医生。一种新药刚刚获批。一项大型临床试验的头条新闻写道：“X药物平均可将心脏病发作风险降低20%。”你面前有一位病人。你应该给他开这种药吗？病人很自然地会问：“但是，医生，我是个‘平均’人吗？”

这个简单的问题切中了现代医学和科学领域最深刻的挑战之一。几十年来，我们一直被平均的力量所引导。我们基于大型群体中对“平均”人有效的方法来测试药物、设计政策和提出建议。​​平均治疗效果（ATE）​​一直是我们的指路明灯。然而，我们凭直觉都知道，世界并非由平均人组成的。

如果这20%的平均获益，是由于药物对40%的患者有奇效，而对其余60%的患者完全无效，那该怎么办？或者更糟，如果它对大多数人有中等程度的益处，但对一小部分脆弱人群却有明确的害处呢？如果我们只看平均值，我们就无法看到这幅丰富而至关重要的个体反应图景。这种隐藏在平均值表面之下的差异，就是我们所说的​​治疗效果异质性（HTE）​​。探索HTE的过程，正是对个性化医疗的科学追求——从“平均有效”迈向“对你有效”。

为了解决这个问题，我们需要一个源自哲学和统计学，非常简单但功能强大的思想：​​潜在结果框架​​。对于任何人、任何治疗——比如说，服用一种新药——我们可以想象两个平行宇宙。在一个宇宙中，这个人服用了药，其健康结果是 $Y(1)$。在另一个宇宙中，他们没有服药，其结果是 $Y(0)$。

对那个人而言，该药真正的、个人化的​​个体因果效应​​，就是他们在这两个世界中命运的差异：$Y(1) - Y(0)$。 这才是我们真正想要的答案。但在这里，我们面临一个令人谦卑的现实，即​​因果推断的基本问题​​：我们永远只能生活在一个宇宙中。我们可以观察到 $Y(1)$ 或 $Y(0)$，但永远无法在同一时间对同一个人观察到两者。因此，个体因果效应在根本上是不可观测的。

那么我们能做什么呢？我们无法看到单一个体中的效应，但我们可以比较不同的人群。在临床试验中，我们随机将一大群人分配到服药组（$A=1$）或不服药组（$A=0$）。由于随机化，服药组平均而言与未服药组是相同的。通过比较两组的平均结果，我们可以得到所有个体效应平均值的一个无偏估计，即ATE。这就是我们得到“降低20%”这个头条数字的方式。

ATE是一个很好的起点，但它是一个粗糙的工具。如果个体因果效应 $Y(1) - Y(0)$ 并非对每个人都相同，那么HTE就存在。 但如果我们看不到那些个体效应，我们又如何研究它们的变异呢？

也许这种变异不仅仅是随机噪音。也许它取决于我们可以观察到的特征，比如一个人的年龄、性别、基因或生活方式。让我们将这些基线特征称为 $Z$。这一洞见使我们能够超越单一、整体的ATE。我们可以根据 $Z$ 将人群切分成更精细的亚组，然后问：对于每个亚组内的人来说，平均效应是什么？

这个量被称为​​条件平均治疗效果（CATE）​​，我们写作 $CATE(z) = \mathbb{E}[Y(1) - Y(0) \mid Z=z]$。这是指特征 $Z$ 取值为 $z$ 的人群亚组的平均治疗效果。 CATE是我们窥探HTE隐藏世界的最强大工具。我们仍然在看平均值，但这些是更相似人群的平均值——也许，更像坐在我们面前的病人。为了从数据中估计它，我们在特定亚组内比较接受治疗和未接受治疗的人的结果，并依赖随机化或统计调整等假设来确保比较是公平的。

当我们开始对人群进行切片时，我们必须非常小心我们所用特征的含义。一些因素告诉我们一个人的总体未来，而另一些因素则专门告诉我们他们将如何对我们的干预措施做出反应。这是预后因素和预测因素之间的关键区别。

​​预后因素​​预测未来的结果，而与所接受的治疗无关。例如，在一项新的肺癌药物研究中，一个人的吸烟史是一个强大的预后因素。我们知道，无论接受何种治疗，重度吸烟者的不良结局风险都高于不吸烟者。

另一方面，​​预测因素​​预测的是治疗效果本身。它识别出谁将从干预中获益更多（或更少）。HTE本质上就是寻找预测因素。

以一个真实世界的例子来说明：HPV疫苗。在试验中，一个人的吸烟状况是一个预后因素；吸烟者发生宫颈疾病的基线风险更高。然而，疫苗为吸烟者和不吸烟者提供了相似程度的益处。所以，吸烟是预后性的，但不是预测性的。相比之下，一个人的基线HPV DNA状态则具有高度预测性。疫苗对于接种时HPV阴性的个体效果要显著得多。它预测了谁将获益最大。 区分这两个角色对于正确地实施靶向干预至关重要。

当我们说一个效应在两个组中“不同”时，我们必须问：如何不同？答案取决于我们选择的衡量标准，即​​效应衡量指标​​。这听起来可能像一个技术细节，但其后果是巨大的。

让我们考虑一种预防性疗法的两个常用衡量标准：

• ​​绝对风险降低（ARR）：​​ 疗法使我的风险降低了多少个百分点？这是一个加法度量（$Risk_{control} - Risk_{treated}$）。
• ​​相对风险降低（RRR）：​​ 疗法使我的风险降低了多少比例？这是一个乘法度量（$1 - Risk_{treated} / Risk_{control}$）。

这里是美妙而时而令人困惑的部分：一种治疗可以在一个尺度上具有完全统一的效应，而在另一个尺度上显示出显著的异质性。一种效应衡量指标在不同亚组间发生变化的统计现象被称为​​效应衡量指标修正（EMM）​​。[@problem_-id:4589421]

想象一种疗法，它将每个人的风险都降低了50%——一个恒定的相对效应。现在考虑两名患者。患者A是高风险者，有10%的几率发生不良结局。对她而言，该疗法将风险从10%降至5%，绝对风险降低了5个百分点。患者B是低风险者，只有2%的几率发生不良结局。对他而言，该疗法将风险从2%降至1%，绝对风险仅降低了1个百分点。 相对效应是恒定的（对两者都是50%），但高风险患者的绝对获益是低风险患者的五倍！

这不是一个悖论；这只是数学。但它具有深远的启示。对于共同决策而言，绝对获益通常是患者最关心的。对于公共卫生而言，这是理解预防领域重大困境之一的关键。

鉴于绝对获益在很大程度上取决于基线风险，我们应该治疗谁？这个问题引出了一个经典的公共卫生权衡。

• ​​高风险策略：​​ 我们可以对人群进行筛查，找出少数风险最高的个体（如患者A），并只治疗他们。这种策略效率很高——每个接受治疗的人都获得了巨大的绝对获益。
• ​​群体策略：​​ 我们可以治疗每个人，包括绝大多数处于低风险的人（如患者B）。这种策略似乎效率低下，因为大多数人只会获得微不足道的绝对获益。

这里就存在着流行病学家Geoffrey Rose所描述的著名的​​预防悖论​​。虽然高风险个体每人获益最大，但大量处于低风险的人群可能比少数处于高风险的人群产生更多的疾病总病例。因此，通过给予多数人微小益处的群体策略，其预防的病例总数可能远远超过有针对性的高风险策略。 一个社会在这些策略之间的选择取决于其资源、伦理和目标——是优先考虑效率还是总人口影响。这整个困境都是绝对尺度上HTE的直接后果。

到目前为止，我们讨论的效应是变大或变小。但HTE最戏剧性的形式是效应的符号实际发生翻转。对一个群体有益的治疗可能对另一个群体是中性的，甚至是-有害的。这被称为​​定性交互作用​​，忽略它可能是灾难性的。

考虑使用CT扫描进行肺癌的人群筛查。对于长期重度吸烟者（一个高风险群体），潜在患癌的可能性相当大。早期发现癌症的益处通常超过了筛查的危害，后者可能包括辐射暴露和对假阳性结果进行后续操作的并发症。对这个群体来说，净效应是获益。

现在考虑轻度吸烟者或不吸烟者（一个低风险群体）。他们患肺癌的可能性非常小。对他们而言，早期检测的益处微乎其微，但与筛查相关的危害风险是相同的。对这个群体来说，净效应是伤害。

如果你愚蠢地将整个群体的效应平均化，庞大的低风险群体所经历的净伤害很容易压倒小规模高风险群体的净益处。总体的ATE可能会显示筛查平均而言是有害的！基于这个平均值的政策将使高风险群体无法获得一种能挽救生命的干预措施。这是平均值暴政的最终危险。

HTE的想法很诱人。它承诺了一个个性化医疗的新世界。但它也是一曲塞壬之歌，诱使粗心的科学家们触上错误发现的礁石。

如果你拿任何一个数据集，把它切分成足够多的亚组——按年龄、性别、基因A、基因B、喝咖啡的习惯——你几乎肯定会找到某个亚组，其中治疗效果显得非常显著，而这仅仅是出于偶然。这被称为​​数据挖掘​​或​​“捞鱼式”研究​​。

这个陷阱背后的数学是发人深省的。如果你使用普遍的标准进行单次统计检验，其中有5%的假阳性概率（“第一类错误”），这似乎是合理的。但是，如果你在一个治疗实际上没有任何效果的数据集上进行（比如说）12次独立的检验，那么得到至少一个假阳性的概率就不再是5%了。它会飙升到大约46%（$1 - (1 - 0.05)^{12}$）！

优秀的科学家如何避免自欺欺人？答案是纪律和​​预先设定​​。在实验开始前，科学家们在研究方案中声明他们将要检验的亚组假设，数量要少且有限。这些假设必须有强有力的生物学或临床推理作为依据。这可以防止事后挑选。任何未预先设定的“惊人”亚组发现都会被报以极大的怀疑。它不是证据；它仅仅是一个需要在下一个研究中进行严格检验的新假设。 这一严格标准是科学诚信的基石，对于维护医学伦理原则至关重要：最大化益处，最小化伤害，并确保基于可信证据公平分配治疗。

那么，统计学家如何在他们的模型中正式地捕捉HTE呢？想象一个试图预测结果的简单回归模型：

Outcome = Intercept + $\beta_A \cdot$ Treatment

在这里，$\beta_A$ 是适用于所有人的单一治疗效果。为了允许HTE的存在，模型必须变得更加灵活。我们引入我们认为可能具有预测性的协变量 $L$，以及至关重要的一个​​交互项​​：

Outcome = Intercept + $\beta_A \cdot$ Treatment + $\beta_L \cdot$ Covariate + $\beta_{AL} \cdot$ (Treatment $\times$ Covariate)

最后一个项，即交互项，是允许治疗效果根据协变量的值而改变的数学机器。如果 $\beta_{AL}$ 不为零，则存在HTE。系数 $\beta_A$ 现在有了一个更微妙的含义：它代表了当协变量 $L$ 为零时，“参照”人群的治疗效果。

还有一个最后的、优雅的转折。在这样的线性模型中，如果我们巧妙地先将协变量中心化——也就是说，我们讨论的是一个人与平均值的偏差，$L - \mathbb{E}[L]$——就会出现一个美妙的简化。系数 $\beta_A$ 就变成了整个群体的平均治疗效果（ATE）。 这揭示了一个深刻而令人满意的统一性：宏大的群体平均值仅仅是所有不同条件效应的加权和。通过研究部分，我们开始理解整体，而通过理解整体，我们学会了该对部分提出什么问题。远离平均值的旅程，也是一次比以往任何时候都更深刻地理解它的旅程。

到目前为止，我们花时间理解了因果关系背后的机制，窥探了潜在结果的优雅世界以及对治疗平均效果的探索。这是现代科学的基石。我们问，“这种新药能降低血压吗？”或者“这种教学方法能提高考试分数吗？”然后我们寻求一个单一、干净的数字：平均治疗效果。这个数字很强大，几十年来它一直指导着医学和政策。但它就是全部真相吗？

思考一个简单的陈述：“阿司匹林能降低心脏病发作的风险。”平均而言，这是真的。但对某些人来说，它有很大的保护作用。对另一些人来说，作用很小。而对少数人来说，它可能导致危险的出血，而心血管获益甚微。这种效应不是一个数字，而是一个谱系。世界不是均一的，我们的行为对世界产生的影响也很少是均一的。认为一个单一的平均效应就能捕捉到现实的丰富画卷，往轻了说，是一种过度简化。

这就把我们带到了现代科学最重要、最激动人心的前沿之一：​​治疗效果的异质性（HTE）​​。其核心思想是，一项干预措施的效果可能会在人群的不同亚组中系统性地变化。问题不再仅仅是“它有效吗？”，而是“它对谁有效？效果多大？以及为什么？”这种视角的转变改变了我们对待科学、医学、政策甚至社会正义的方式。它是推动个性化医疗和循证政策发展的引擎。

想象一个病人患有胃轻瘫，这是一种使胃排空过慢的衰弱性疾病。他们会经历恶心、呕吐和痛苦的饱腹感。我们有几种治疗方法。我们该选择哪一种？来自大型试验的“平均效应”可能会告诉我们，平均而言，一种药物比另一种稍好。但这不是一个平均的病人；这是一个具体的人。

HTE的美妙之处在于，它迫使我们更深入地审视其潜在机制。

• 患者的胃轻瘫是由长期糖尿病引起的，导致神经损伤和严重恶心吗？也许胃电刺激（GES）是最佳选择，因为它具有强大的止吐效果，即使它不能显著加快胃排空。
• 或者问题是特发性的，诊断测试显示胃部肌肉（胃窦）收缩良好，但胃出口的瓣膜（幽门）过紧？在这种情况下，切开该肌肉的手术（G-POEM或幽门环肌切开术）直接针对已识别的缺陷。
• 如果患者的病情是由长期使用阿片类药物引起的，而众所周知阿片类药物会减慢整个消化系统，那该怎么办？主要的“治疗”应该是解决阿片类药物的使用问题，而不仅仅是添加另一种药物来抵消副作用。

在每种情景中（），“最佳”治疗方法都不同，因为根本原因——为什么胃不能排空——是不同的。这是HTE最具体的形式。它不仅仅是一个统计学上的人为现象；它是生物多样性的反映。同样的原则也适用于精神健康。像行为激活疗法这样鼓励参与有益活动的疗法，可能对奖励敏感度高的患者非常有效，但对其他人则效果不佳（）。理解HTE是为合适的人匹配合适治疗的艺术与科学。

如果我们想理解这种异质性，我们必须首先能够看到它。这要求我们仔细思考如何设计我们的实验。

传统上，许多临床试验是我们所说的​​解释性​​试验。它们旨在回答“这种干预在理想条件下能起作用吗？”这个问题（）。它们就像物理学家在真空密封室中进行的实验：一切都得到完美控制。参与者经过精心挑选——他们可能都在一个狭窄的年龄范围内，没有其他疾病，并且完美遵守治疗方案。这种设计非常适合建立概念验证并最大化内部效度——即我们对研究中观察到的效应是真实的信心。但通过创造这样一个同质化的群体，我们有意地消除了我们可能想要研究的多样性。其结果是对一个高度特定、通常不切实际的人群片段的治疗效果的精确估计。

为了捕捉真实世界中的HTE，我们需要一种不同的方法：​​实用性​​试验（）。这类试验旨在回答“这种干预在常规实践中有效吗？”的问题。它拥抱了现实世界的混乱。入组标准宽泛，招募老年人、患有多种健康问题的人以及来自不同背景的个体。干预措施的实施方式与在典型诊所中一样，而不是在专门的监测下。这些试验优先考虑外部效度——其研究结果的普适性。通过纳入广泛的人群和环境，实用性试验成为观察和量化HTE的有力工具。我们用解释性试验的一些纯净控制换取了一幅关于效应如何在人群中变化的更丰富、更现实的图景。

观察HTE是一回事；正式建模并检验它则是另一回事。统计学家为此开发了一套强大的工具包，远远超出了单一的平均效应。

交互项：经典方法

研究HTE最基本的工具是回归模型中的​​交互项​​。假设我们正在测试一种新的抑郁症疗法（$T=1$表示治疗，$T=0$表示对照），并且我们怀疑其效果取决于患者基线的回避水平（$A$）。我们可以用一个线性模型来建模结果 $Y$（抑郁症状）：

$Y = \beta_0 + \beta_1 T + \beta_2 A + \beta_3 (T \times A) + \varepsilon$

在这个模型中，$\beta_1$ 代表回避评分为零的人的治疗效果。关键项是交互项 $\beta_3 (T \times A)$。系数 $\beta_3$ 告诉我们，回避水平每增加一个单位，治疗效果会如何变化。如果 $\beta_3$ 显著不为零，我们就找到了HTE的证据。这种简单、优雅的方法是心理学到流行病学等领域中调节分析的主力（）。

拥抱变异：随机斜率

有时，我们认为一种效应不仅因个体特征而异，还因更广泛的背景而异——比如个体所在的学校、医院或社区。由于当地资源或社会资本的不同，一项公共卫生干预在某些社区可能比在其他社区更有效。为了捕捉这一点，我们可以使用带有​​随机斜率​​的​​混合效应模型​​。

想象一个试验，不同的社区被随机分配接受干预（$Z_j=1$）或不接受（$Z_j=0$）。一个简单的模型可能会估计所有社区的一个平均效应。但随机斜率模型做得更深刻。它允许每个社区 $j$ 有其自身的特定治疗效果 $\beta_1 + b_{1j}$。在这里，$\beta_1$ 仍然是所有社区的平均效应，但 $b_{1j}$ 是社区 $j$ 的一个独特的、随机的偏差。该模型估计这些偏差的方差，告诉我们治疗效果在不同地方之间到底有多大差异（）。这个概念非常强大，并出现在许多高级统计设置中。例如，在生存分析中，随机斜率模型可以捕捉一种新抗癌药物对患者生存的影响如何在不同医院之间变化，这是一种HTE类型，而更简单的“脆弱性”模型（它只考虑基线风险差异）会完全忽略（）。

让数据说话：用于HTE的机器学习

如果我们事先不知道哪些特征重要呢？如果HTE是由许多变量的复杂、非线性组合驱动的呢？在这里，现代机器学习提供了一条令人兴奋的前进道路。

其中一种方法是​​因果树​​（）。标准的决策树试图通过将数据分割成越来越同质的组来预测一个结果。然而，因果树有不同的目标。它递归地分割数据，以找到治疗效果本身差异最大的亚组。该算法搜索所有协变量上所有可能的分割点，以找到能最大化 resultant 子节点之间效应异质性的分割。树的最终“叶子”代表了人群中不同的亚组，每个亚组都有其自己估计的治疗效果。这种数据驱动的方法使我们能够发现我们可能从未想过用传统交互模型来检验的新型HTE模式。

HTE的影响远远超出了诊所和统计学家的笔记本。它们触及了我们如何就健康、政策和公平做出集体决策的核心。

健康的代价：个性化价值

考虑一种新的、昂贵的靶向癌症疗法。传统的成本效益分析可能会计算整个人群每获得一个质量调整生命年（QALY）的平均成本。如果这个平均成本太高，卫生系统可能会拒绝为该药物付费。

但如果这种药物在具有特定肿瘤生物标志物的30%患者中效果巨大，而在另外70%中效果微不足道呢？基于人群平均的分析会将少数人的巨大利益摊薄到多数人的无益益中，使得该药物整体上显得不划算。然而，针对特定亚组的分析揭示了真相：对于生物标志物阳性的群体，该药物物超所值，而对于阴性群体则不然。这一洞见可以导致一种“检测并治疗”的策略，即只有可能获益的患者才接受该药物。忽略HTE可能导致卫生系统拒绝为那些药物本应服务的人提供改变一生的治疗，仅仅因为它不适用于“每个人”（[@problem_-id:5051554]）。理解HTE对于分配效率和就医疗支出做出明智、合乎道德的决策至关重要。

“平均”在政策评估中的危险

在评估随时间推移而推出的真实世界政策时，HTE的挑战尤其严峻，例如一个州级卫生计划在不同年份被不同县采纳。对此，一个常用的方法是双向固定效应双重差分（DiD）模型。多年来，这被认为能提供对平均政策效果的可靠估计。

然而，计量经济学的近期突破表明，当政策效果存在异质性时——例如，如果一个县接触政策的时间越长，效果越强——标准的“平均”估计可能是一个危险的、误导性的不同效果的混合体。它变成了一个加权平均，其中一些比较甚至可能获得负权重，这可能使结果偏向于早期采纳群体的效果，并掩盖了政策影响的真实动态（）。这是一个严峻的提醒：在一个异质性的世界里，我们的统计方法必须足够复杂以处理这种复杂性，否则我们就有可能对哪些政策有效、哪些无效得出错误的结论。

一个审视不平等的视角

也许HTE最深刻的应用是在健康公平的研究中。我们生活在一个由社会不平等构成的世界中。我们的干预措施——无论是医疗、教育还是社会干预——的效果并非发生在真空中。一个新的健康项目可能在富裕、资源充足的社区非常有效，但在边缘化社区却无法产生影响，甚至可能造成伤害。

通过明确地对不同交叉分层（例如，种族、性别和社会经济地位的组合）的HTE进行建模，我们可以提出关键问题。一个新的数字健康工具是减少还是扩大了不同群体之间的健康差距？一项临床干预在高度剥夺指数的社区中是否有不同的效果？使用可以同时考虑个体特征、社会阶层和结构背景的先进模型，使我们能够剖析这些复杂的关系（）。理解HTE不仅仅关乎个性化医疗；它也是社会正义的重要工具，帮助我们设计的干预措施不仅平均有效，而且在其影响上也是公平的。

最后，从平均效应到效应异质性的旅程，是一次走向对世界更深刻、更细致、更真实理解的旅程。它承认变异并不仅仅是要被平均掉的噪音，而往往正是我们自始至终应当寻找的信号。