The BMJ | 如何运用有向无环图：面向临床研究者的指南

• 来源：未知
• 作者：bmjchina
• 日期：2025-04-14
• 分享：

The BMJ近日发表的一篇方法学论文详尽地介绍了在临床研究中构建和报告有向无环图（directed acyclic graph, DAG）的7个关键步骤及注意事项，为充分发挥这一工具在明确研究假设、识别相关变量方面的潜力提供了参考建议。

 

原文献信息：

How to use directed acyclic graphs: guide for clinical researchers

Feeney T, Hartwig F P, Davies N M. 

BMJ 2025; 388 :e078226
doi: 10.1136/bmj-2023-078226

有向无环图（DAG）是用于描述相关变量之间假定因果结构的常见图表类型，有助于描述潜在的偏倚来源，确认研究中的关键变量和最小充分调整集，从而更为清晰地描述特定暴露对医疗和健康结局的因果效应。目前DAG在流行病学研究中已被广泛用于评估暴露-结局相关性背后的因果结构，并增进了对描述性研究（例如评估发病率）和预测性研究（例如对疾病风险的建模）中研究假设的理解。

尽管有着上述效用，DAG在实际应用中的广泛差异可能会限制其有效性。一项综述分析了234篇使用了DAG的文章，结果表明DAG在实际研究中的使用方式差异较大，且只有相对较少的研究报告了有关DAG的关键信息。为更好地在生物医学研究中规范DAG的使用，充分发挥DAG的潜力，该方法学论文通过7个关键步骤展示了研究团队应如何在临床研究中构建并报告DAG，主要聚焦观察性研究中DAG的应用。

步骤1：确定目标人群和研究问题，并明确定义暴露/治疗及相关结局
● 对暴露和结局的定义是否足够精确，从而能够对研究问题进行评估？
● 如果不够精确，能否提高定义的精度？调整定义内容的同时是否需要调整最初的研究问题？

步骤2：通过查阅文献并与相关领域专家（包括擅长构建DAG的专家）讨论，识别所有与因果效应有关的潜在变量
● 即使变量可能未进行测量或无法测量，是否仍将其纳入了研究？
● 是否进行了充分且可复制的文献检索，以了解变量之间的相关联系？
● 是否有足够的多领域专家参与研究，以确保能够全面、充分地探讨研究问题？
● 基于步骤2的方法识别相关变量后，是否将能够直接影响其中任意一对变量的额外变量纳入了研究？
● 是否包含了任意两对变量之间所有有意义的联系？
● 是否充分解释了略去特定变量和联系的理由？

步骤3：与规模足够大的专家团队合作构建有向无环图，直至达成共识；在所有研究预注册中包含共识DAG相关内容
● 是否所有专家就所构建的DAG达成了一致？
● 如果不是，在存在分歧的方面是否构建了一套可用于指导敏感性分析的候选图表？
● 进行研究预注册时是否包含DAG相关内容？

步骤4：基于共识DAG，确定需要收集数据的变量或合适的数据集；若使用已有数据，应考虑哪些变量会影响数据选择过程
● DAG中是否包含了必要的混杂变量？
● 是否考虑了以中介变量或碰撞变量为条件的潜在偏倚？
● 如果使用已有的数据，是否考虑了导致选择该数据的变量？

步骤5：根据研究问题和共识DAG确定分析方法、结局和暴露的测量方法以及协变量

步骤6：针对未测量或易出现测量误差的变量确定敏感性分析，以评估未测量变量和测量误差的潜在影响
● 是否考虑了所有未测量和潜在未识别变量？
● 是否考虑了未测量变量、潜在未识别变量和可能存在测量误差的变量之间的因果机制？
● 是否考虑了变量的测量误差？
● 是否通过敏感性分析和定量偏倚分析评估了未测量、未识别的变量和测量误差造成的偏倚？

步骤7：在正式发表的论文中包含DAG，并在描述调整集和敏感性分析时参考DAG
● 论文的正文或补充材料中是否包含完整的DAG？
● 数据分析是否以DAG为指导？
● 是否包含了DAG相关代码以提高研究可再现性？