{
  "id": "immortal-time-bias",
  "title": "不死时间偏倚",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "不死时间偏倚源于研究设计或分析未妥善处理参与者为符合分组条件而必须存活或不发生结局的时段。",
  "category": "health",
  "subcategory": "public-health",
  "type": "concept",
  "aliases": [
    "永生时间偏倚",
    "保证时间偏倚"
  ],
  "generated_at": "2026-11-05",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/immortal-time-bias/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/immortal-time-bias/",
      "json": "https://aiwiki.page/en/immortal-time-bias.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "不死时间偏倚是流行病学和生存分析中的一种系统误差：当进入某一研究组要求参与者在随访开始后的一段时间内存活，或不发生某个特定结局，而组间比较又未妥善考虑这一要求时，就会产生这种偏倚。它常见于队列研究：研究者依据参与者后来接受的治疗，将其从随访开始时就归入治疗组。这样，治疗前的等待期便被错误地计入治疗组，使治疗看起来比实际更有益。"
    },
    {
      "heading": "“不死时间”的含义",
      "text": "“不死”并不意味着参与者在生物学上不会死亡。它是指，按照研究的分组规则，如果某人在特定时段内死亡，就不可能被归入要求其存活至该时段结束的组。\n\n例如，一项研究可能比较最终接受治疗与始终未接受治疗的患者从诊断起的生存情况。患者必须从诊断时存活至治疗开始，才能进入最终接受治疗组。任何在接受治疗前死亡的人，都必然被排除在该组之外。\n\n这一概念也适用于死亡以外的结局。如果进入某组要求参与者直到后续某次评估时都未发生某一临床终点，那么对于被归入该组的人而言，这段时间就必定不会发生该终点。不过，仅仅要求在后续进行某项测量，并不意味着对所有可能的结局而言都存在“不死时间”：只有当相关结局一旦发生就会使参与者失去入组资格时，才符合这一概念。"
    },
    {
      "heading": "偏倚如何产生",
      "text": "核心问题在于随访起点、资格判定与暴露或治疗状态分配之间不一致。研究使用未来的信息，对参与者在更早时间点的状态进行分类。\n\n两种常见机制是：\n\n- 人时误分类。 将治疗开始前的时间计为接受治疗的时间，尽管当时治疗尚未开始。\n- 排除保证存活的时间。 从存活至治疗开始的人群中选出治疗组，并省略他们此前的时间；与此同时，对照组却从更早的时间点开始随访，且没有同等的存活要求。\n\n这两种机制都可能使组间不具可比性。第二种机制不能仅靠删除治疗前的时间来纠正：还必须处理对存活者的选择问题，并使随访起点对齐。\n\n这种偏倚通常有利于那些入组资格要求存活或在随访期间不发生结局的组。偏倚的大小取决于等待期长短、结局发生的频率和时间，以及研究设计。如果这种保证条件适用于对照组而非治疗组，偏倚就不一定有利于治疗。"
    },
    {
      "heading": "示例说明",
      "text": "假设一项研究从患者出院时开始。如果患者在出院后90天内凭处方取药，就被归为“治疗组”，而生存时间则从出院时开始计算。\n\n一名在第60天取药的患者，必须先存活这60天。如果研究从出院时起就将其标记为已接受治疗，那么在尚未取药的前60天里，其生存时间就被记在了治疗的名下。一名在第20天死亡且此前未取药的患者，则不可能进入治疗组。\n\n计算事件发生率时，\n\n\\[\\text{Event rate}=\\frac{\\text{Number of events}}{\\text{Person-time at risk}}.\\]\n\n将保证不发生事件的人时加入治疗组的分母，可能降低该组表面上的事件发生率。与此同时，治疗前发生的死亡仍被计入未治疗组。因此，即使治疗没有效果，也可能出现表面上的生存优势。\n\n这一示例说明的是一种分析机制，并非有关任何特定药物的证据。"
    },
    {
      "heading": "常见情境",
      "text": "当暴露状态或组别在随访开始后才确定时，不死时间偏倚尤其值得关注。例如：\n\n- 研究患者在诊断或出院后开始用药的情况。\n- 从患者进入等待名单时起，比较接受和未接受器官移植者。\n- 在癌症研究中，比较按最终治疗反应、是否完成化学治疗或是否接受后续线次治疗所划分的组。\n- 通过累积达到规定的处方数量或治疗时长来定义暴露的分析。\n- 根据随访期间观察到的某个事件对参与者进行分组的研究。\n\n在随机对照试验中，如果从随机分组时起按分配的组别进行比较，通常可以避免这一特定问题。不过，如果分析依据后续的依从性、治疗完成情况或治疗反应，对试验参与者重新分组，就可能引入类似的存活要求。随机化并不能自动保护随机分组后的亚组分析免受这类偏倚影响。"
    },
    {
      "heading": "处理偏倚的方法",
      "text": "对齐研究的时间起点\n\n一项基本的设计原则是，使资格评估、治疗分配和结局随访的起点保持一致。比较应当反映符合资格的参与者在同一决策时点可以选择的治疗策略。\n\n目标试验模拟通过明确观察性分析试图重现的假想随机试验，将这些要素具体化。这一框架有助于识别那些必须根据参与者未来是否存活才能确定其治疗状态的分析。\n\n时变暴露分析\n\n当治疗在随访期间开始时，可以将暴露表示为随时间变化的变量。按照暴露的定义，参与者在开始治疗前贡献未治疗人时，开始治疗后贡献治疗人时。\n\n采用时变治疗指示变量的Cox比例风险模型是一种常见的实现方式。它可以避免将治疗前的存活时间归因于治疗，但本身并不能确立因果关系。疾病严重程度、治疗选择及其他混杂因素造成的差异仍可能存在。\n\n当不断变化的患者特征既影响后续治疗，又受到此前治疗的影响时，常规调整可能不足以解决问题。在适当假设下，边际结构模型等方法可用于处理这类时变混杂。\n\n里程碑分析\n\n里程碑分析在进入队列后选定一个固定时间点，纳入届时仍存活且符合其他资格条件的参与者，根据截至该时间点可获得的信息对其分组，并从该时间点开始随访结局。\n\n这种方法将最初保证存活的时段从所有纳入组的比较中移除。不过，它也改变了研究问题：结果针对的是存活至里程碑时点且仍符合资格的人，而不是最初的整个队列。里程碑时点的选择可能影响研究结果，其后的治疗变化也需要进一步考虑。\n\n设有治疗启动时间窗的策略\n\n一些研究问题比较的是“在30天内开始治疗”与“30天内不开始治疗”等策略。如果简单地依据参与者在这一时间窗内最终采取的行动进行分组，就可能再次引入不死时间。\n\n通过对参与者进行克隆、在实际诊疗偏离所分配策略时进行删失，以及加权等方法，可以在保留共同时间起点的同时，对这类策略进行分析。这些方法的有效性取决于有关已测量混杂因素、删失机制，以及数据是否充分涵盖各项策略等方面的假设。"
    },
    {
      "heading": "与相关偏倚的区别",
      "text": "混杂涉及组间在结局决定因素上的差异。不死时间偏倚则涉及分组的时间安排和构建方式。调整基线特征通常不能纠正随访时间的错误分配。\n\n领先时间偏倚是指较早检出疾病延长了从诊断起算的生存时间，却并未推迟死亡时间。其机制在于诊断起点前移，而不是要求参与者必须先存活一段时间才能符合某组的入组条件。\n\n幸存者偏倚是一个更广泛的概念，涉及根据是否存活或是否持续接受观察进行选择。不死时间偏倚与之密切相关，但特指研究设计或分析中包含的一段保证存活的时间。"
    },
    {
      "heading": "解释与报告",
      "text": "评估这种偏倚，需要有清晰的时间线，展示队列进入时间、资格判定、治疗开始、组别划分及结局随访。研究报告应说明如何处理治疗前发生的事件，以及如何分配每一段人时。\n\n狭窄的置信区间并不能排除不死时间偏倚：统计精确度无法纠正系统误差。同样，如果比较中的治疗组是依据彼此不一致的存活要求来定义的，那么再大的数据集或再广泛的协变量调整也无法弥补这一问题。"
    }
  ],
  "links": [
    "epidemiology",
    "cohort-study",
    "diagnosis",
    "clinical-endpoint",
    "person-time",
    "organ-transplantation",
    "cancer",
    "chemotherapy",
    "randomized-controlled-trial",
    "cox-proportional-hazards-model",
    "causation",
    "confidence-interval"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}