实验设计（DOE）和随机对照试验是确定因果关系的黄金标准，而JMP则是DOE软件的黄金标准。然而，由于实际或伦理方面的限制，许多以因果推断为目标的研究无法以DOE的形式进行，因为无法随机分配处理组。其根本要求是消除混杂变量对观察性数据类别造成的偏差影响。
本文概述了当前一些有前景的因果推断方法，包括倾向评分、匹配算法以及其他基于统计学的方法，并参考了FDA针对真实世界数据/证据的行业指南草案。我们使用JMP软件演示了几个步骤，并使用了一个回顾性研究数据库，该数据库支持休斯顿退伍军人医疗中心心胸外科项目的多项临床研究。最后，我们为从业人员提供了一些建议、技巧和注意事项，供他们在以因果关联性为目标且无法进行实验设计（DOE）时参考。
大家好，我是来自 Adsurgo 的 Jim Wisniowski，今天与我一起向大家介绍本文。我的搭档是 Lorraine Cornwell 博士，她是休斯顿退伍军人医疗中心和贝勒医学院的心胸外科医生。她还作为首席研究员参与了许多不同的研究项目。此外，我们还有一位合作作者，Paweł Kolodziejski 博士，他是本研究的协调员。
今天，我们想简单谈谈我们在心胸外科领域开展的一些数据库研究，这些研究并非通过常规的随机对照试验进行。我们实际上是在研究一些回顾性研究，并试图从中建立某种程度的因果关系。
作为一名咨询顾问，我经常需要去不同行业的客户那里，现场讲授几天实验设计，然后再讲授预测分析。这其中存在一个脱节：我一开始会说实验设计是建立因果关系的方法。但当我们把话题转到预测分析、人工智能、机器学习等领域时，就不得不稍作解释，承认我之前说过因果关系的概念源于实验设计，但其他方法论也同样有很多可借鉴之处。
这就是我们正在努力的方向，那就是尝试确定如何才能获得一些可操作的信息，一些基于数据、不基于随机对照试验的证据。
我们将按以下方式进行讲解。我会先简单谈谈证据以及实验设计（随机对照试验是其一个子集）的概念。我会讨论我们在随机对照试验领域遇到的一些问题，然后我会用 JMP 进行演示。由于这是早期用户版本，我会向您展示一些您可能之前没有注意到或没有想到的实验设计方面的内容。
接下来，我将谈谈当我们没有随机对照试验，而只能进行观察性研究时会发生什么。我们用来控制偏差的方法之一是倾向评分法。我会在演示中简要介绍一下相关概念。之后，我会把话筒交给康威尔博士，她会举例说明我们目前正在进行的一些工作，以及这些工作与现有证据的关联，并阐述我们需要哪些类型的信息，以及哪些级别的证据可以指导我们采取行动。
接下来，我将演示一些与该示例相关的方法。然后，我将介绍JMP 19中即将推出的一些更高级的方法。
首先，我们都知道相关性并不意味着因果关系。今天是八月，可能是全国某些地区一年中最热的一天。因此，我们都知道……狗咬伤、溺水和冰淇淋销量之间存在很强的相关性。我们有责任少吃冰淇淋，这样才能减少狗咬伤和溺水事件的发生。
显然，这不是正确的因果关系。实际上，是第三个变量。我想提的是，这里存在一些我们通常无法观察到的潜在维度。在这个例子中，我们可以很容易地通过温度来记录它。但在我们的大部分工作中，这是一个我们并不知晓的潜在维度，但它才是真正导致因果关系的原因。我们需要认识到这一点。
在我们的世界里，实际上还有更多因素。这种相关性固然是一个很好的开始，但我们还需要证明其中一个必须先于另一个发生。最后一点是整个概念的非虚假性，即它必须……就我们而言，这是一种虚假相关性，没有其他替代解释。
实验设计中我们再次被告知，这就是我们建立因果关系的方法：当我们有输入因素时，正是这些因素会引起响应的变化。关键在于，你必须控制这些因素。在这次实验中，我们将温度和压力分别设定在这个水平，然后观察响应。
JMP 一直是美国能源部 (DOE) 的首选软件。最近，在 2017 和 2018 版本中，他们推出了简易 DOE 平台。对于早期用户，我们强烈推荐该平台，因为它提供了许多强大的功能选项，能够真正帮助您优化工作流程。JMP 在将 JMP 的全部功能集成到简易 DOE 平台方面取得了长足的进步。通常，我们认为 DOE 的流程包括计划、设计、执行和分析四个阶段。但在这个平台上，他们完成了定义、建模、设计、数据录入、分析、预测和报告等一系列工作。
那里有一些很棒的参考资料。如果您想观看相关视频，可以点击这里。再次强调，我们感谢早期用户群体。但我们将讨论随机对照设计，它是实验设计（DOE）的一个子集。循证医学的标志就是随机对照试验（RCT）的理念。事实上，RCT在医学应用领域的真正兴起于20世纪80年代的心脏病学领域，当时他们开展了许多里程碑式的研究，这些研究不仅推动了心胸外科手术和介入治疗的发展，也促进了我们如何才能真正相信这些结果的科学发展。其核心理念是，我们需要最大限度地减少内部效度方面的偏差。
怎么做呢？很简单，只需随机将患者分配到干预组或对照组即可。值得一提的是，统计学之父罗纳德·费舍尔爵士曾说过，其实你只需要随机选择每个人，决定他们是进入对照组还是治疗组。你不需要考虑任何分层因素。
实际上，他的一切都基于零假设。然后你收集数据，问自己：治疗组和对照组等效的概率是多少？然后你的证据会告诉你它们不等效的概率。所以他就此打住。
但后来，泽西·奈曼和道格拉斯·鲁宾扩展了这一理论，引入了第一类错误和第二类错误，真正建立了我们今天所使用的随机对照试验（RCT）方法。值得一提的是，我们在右下角看到的是罗纳德·费舍尔爵士，他正吞云吐雾。事实证明，在20世纪50年代中期，《英国医学杂志》上发表了许多研究，指出吸烟与癌症之间存在密切联系，以至于许多人因此戒烟。
但费舍尔由于根深蒂固的随机化信念，根本不相信这些证据。于是他写信给报社编辑，说这些说法不实。事实上，他是烟草业的铁杆支持者。他是当时世界统计学界的泰斗，却说证据不足。为什么？因为没有进行随机对照试验。他也承认，随机分配3000人吸烟，3000人不吸烟，这其中存在一些伦理问题。
但他仍然固执己见，不愿相信那些证据表明，虽然两者之间确实存在很多相关性。但由于这不是一项随机对照试验，他不愿意签字认可。
他最后说，或许这里面还隐藏着某种因素。或许是一种基因，它不仅让你有吸烟的倾向，也让你有患肺癌的倾向。结果，他始终没有放弃，不久后便因癌症去世。
还有一些想法，比如双盲法，即患者和医护人员都不知道治疗方案是什么，他们是否接受治疗，以及是否被阻断。
然而，目前我们看到的一些随机对照试验存在一个问题，那就是由于种种原因，它们的使用并不普遍，其中一个重要原因是人们普遍认为这类试验非常繁琐。我们指的是，国际人用药品注册技术协调会议（ICH）制定的良好临床实践指南虽然更注重遵循其精神而非拘泥于字面规定，但却吓跑了很多人。
不出所料，随机对照试验通常非常昂贵，而且往往更侧重于短期结果，因为我们不会仅仅因为成本问题而继续进行随机对照试验。正如我们之前提到的，吸烟和费舍尔的研究都存在伦理问题。所有这些都归结于治疗效果的异质性。也就是说，要参与随机对照试验，必须符合某些特定标准。因此，试验结果未必适用于所有目标人群。
这一点已被反复证实。例如，2020 年的一项研究指出，我们首先考察了那些具有里程碑意义的研究。然后，当我们对比真实世界证据和随机对照试验的结果时，发现两者得出了截然相反的结论。因此，我们必须非常谨慎地扩展随机对照试验的范围，使其超越内部效度。随机化的目的是为了消除其中的混杂因素。
内部混杂因素得到控制固然很好，但我们却忽略了外部因素。如果我们刻意将75岁及以上的老年人以及BMI较高的人群排除在试验之外，那么我们就面临着无法推广研究结果的巨大风险。
目前有一些关于如何开展高质量随机对照试验的指导原则，我特别强调，对我们这个领域而言，这一切都基于大量的统计方法。我们需要确保随机化充分，样本量合适，并且消除偏差。我们将讨论几种实现这些目标的方法。心胸外科领域的专家们也非常重视这项工作，他们发起了一项倡议，旨在改进这些对照试验，并像上世纪80年代那样引领潮流。这项倡议大约始于去年。
这一点在一些 COVID-19 病例中得到了证实，这些随机对照试验耗时过长，而有更多可操作的循证信息，我们能够在一些干预措施中取得良好进展。
现在，我将快速演示一下JMP中如何进行随机对照试验。我们将做三件事。首先，我们直接来看如何在DOE平台上设置试验。其次，无论是否进行随机对照试验，你经常会被问到：合适的样本量是多少？
我们会先看一下，然后再看看一些分析选项。现在让我切换到期刊。这是你们的期刊。我已经把这份期刊和幻灯片一起放在本次课程的材料里了。如果我在这里介绍一下我们，以及你们如何联系我们。现在，假设我想设计一个随机对照试验，比如我想按BMI、年龄和性别进行一些分层，因为通常来说，这些都是重要的风险因素，我们确实观察到了这些因素的差异。所以我们希望确保每个因素在试验中都有均衡的代表性。
所以我把这些因素保存在这里，以便快速导入。我知道我之前提到过简易版 DOE 对大家来说很好，但在这个特定案例中，我将使用常规的体验设计平台，因为我想向你们展示，比如，我可能不想让 BMI 非常高的人和老年人参与这项试验，因为他们的风险更高。
我们将根据美国能源部（DOE）的要求进行定制设计。我们只需要加载因子，就可以开始了。这里可以看到我的三个BMI等级：低、中、高，以及三个年龄等级。我将使用不允许的组合，并在这里输入BMI和年龄。我们不希望同时出现高年龄和高BMI的情况。
现在我要创建一个设计来完成这项工作。假设这里有两位医生或两位外科医生负责这项工作。我将创建一个包含 30 个样本的组，总共 60 个样本。这是一个随机区组，如果我们有很多外科医生，而我们只考虑其中两位，那么这将产生随机效应。我继续创建这个设计。JMP 会生成一个在 BMI、年龄和性别这三个因素之间保持平衡的设计。接下来，我们需要计算的是，在这 60 个样本中，哪些人接受治疗，哪些人不接受治疗。所以，只需在这里创建一个新列即可。
这是给新用户的。您可以看到这很简单。我将进入“处理”部分，然后我们将在这里创建一个公式。这个公式是这样的：如果一个随机均匀分布的样本（介于 0 和 1 之间），并且该值大于 0.5，那么该样本将被作为处理组；否则，它将被作为对照组。
好的，开始申请。好的。现在我这里有一个设计方案可以放进来。不过，重要的是，如果我有一个人（你可以看到我在这里用阴影标出了年龄），你可以看到这次试验中没有人既年老又高BMI。同样，高BMI的受试者只有低龄和中龄，因为符合这个条件。
接下来，我们应该进行多少次试验？这通常通过所谓的功效分析来解答。DOE样本量探索器，然后我们就可以讨论功效了。例如，假设我们感兴趣的是……我正在研究术后房颤，我关注的是其比例，我知道一般来说，人群中房颤的发生率约为25%。
我想看看这种干预措施能否将其降低到比如说 15%。我会在这里引入两个独立的样本比例。我会先代入 0.25 的比例。然后我想要的是 0.15。这对我们来说具有实际意义。如果我们看到这 10 个百分点的变化，那么我们认为值得采取干预措施，或许可以将其纳入我们的方案中。
如果情况确实如此，而我像刚才设计的那样只做了 60 次试验，那么我的统计功效只有 16.5%。我们可以花很多时间讨论统计功效，但统计功效指的是，如果某种治疗方法确实有效，那么在观察到 10.1 的差异后，我的检验结果会有多少百分比地表明它有效。我们通常的经验法则是，统计功效至少要达到 80% 左右。我们不妨每个试验点都做 250 次，这里也做 250 次。这样我的统计功效就达到了 80% 左右。这就是设计这些试验的方法。这里有一些统计功效曲线，如果我开始向下移动，你会看到统计功效会下降。
这是一个很棒的工具，可以帮助你进行深入讨论并权衡风险。你的研究协调员很可能会说：“不行，我们负担不起500个样本。我们每人只能做100个。”那么你会看到，“好的，如果真是这样，你可以看看统计功效会发生什么变化。”现在，我快速回到PPT，我们还会结合实际数据讨论其他几个想法。
如果我们不做随机对照试验，那该怎么办？最近有一项研究表明，或许我们应该进行一项务实的随机对照试验，这项试验承认我们不能完全拘泥于随机对照试验的条条框框。但或许我们可以更多地利用技术，例如可穿戴传感器和虚拟随访，从而减轻患者的总体负担。
类似地，注册对照试验的概念也存在，它利用精心维护的数据库，这些数据库在某些情况下几乎与随机对照试验收集的数据一样好，甚至更好。但现在，你可以进行随机分组……例如，在机构 1 和机构 2 之间，或者在医生 1 和医生 2 之间。
你们在更高层次上进行随机化。但关键在于，这个数据库已经过充分验证。现在你们能够非常快速地开展这些研究。接下来，我们或许会关注一下回顾性研究，这类研究名声不太好，也许名声并不好。但我们仍然可以利用观察性研究和回顾性研究做一些事情。
我们最近发现一个非常有用的方法，那就是查看一些荟萃分析或系统性研究。这些研究会说：“我们已经看到大约九篇关于同一主题、来自不同队列的论文。” 然后，当我们把所有这些研究结果汇总起来时，就能得出非常明确的结论：它们要么都表达了相同的观点，要么存在一些差异，因此我们不能完全相信其中任何一项。
这些荟萃分析非常有帮助，它们本身也提供了漏斗图、Q统计量和I²统计量等统计指标。我们看到了希望。回到FDA，尤其是在药物审批流程中，他们现在正大力推动在二期、三期临床试验等决策过程中，尽可能地将真实世界数据和证据纳入研究。
避免观察性研究失效的最佳方法之一是进行匹配。假设我有1000名患者，其中200名接受了治疗，那么剩下的800名患者中，是否有200名与接受治疗的200名患者非常相似？我会根据我指定的维度进行匹配。我可能希望匹配的患者拥有相似的BMI、年龄以及其他一些相似的指标。
倾向性匹配的理念在于，我们尽可能地将样本彼此匹配。这样做可以消除一些偏差。然而，就我们的变量而言，问题主要有两个方面：要么存在我们遗漏的潜在维度，要么变量之间存在混淆。我们无法确定，这究竟是干预措施的实际效果，还是仅仅因为治疗组中年轻人较多所致。
我们必须继续进行匹配，确保一切都尽可能干净利落。接下来，我将把发言权交给康威尔博士，他将介绍我们正在进行的一项研究，这项研究将为因果分析领域带来一些启示。
非常感谢，吉姆。我是洛林·康威尔，一名心脏外科医生，心胸外科医生。我在休斯顿的退伍军人医院工作，同时也是贝勒医学院的附属医生。我只是想介绍一下我们为什么对这项正在进行的研究感兴趣，这项研究旨在探讨在进行开胸手术时增加后心包切开术是否能减少一些术后并发症。
作为背景，之所以出现这种情况，是因为有证据表明，一些术后并发症与心脏创伤、胸部创伤以及可能存在的出血有关。心包内出血会导致炎症。炎症会增加患者出现并发症的风险，例如术后房颤、心律失常（如需要再次手术的残留血肿）、炎症持续时间延长（可能导致疼痛加剧）、德雷斯勒综合征（一种术后炎症综合征）以及住院时间延长。
我们从一些文献中了解到，心包引流越彻底，患者的预后可能越好。过去十年左右，我一直在尝试在心包后壁做一个简单的切口，以帮助心包更好地引流。我们决定回顾性地分析一组观察性数据，看看接受后心包切口手术的患者与未接受手术的患者相比，其预后是否存在差异。
我知道吉姆会在JMP上和我们一起回顾他是如何完成这项工作的。但我们也想讨论一下，我们如何判断从研究中获得的证据级别是否重要，如何发表这些证据，以及我们如何根据这些研究结果来改变实践。吉姆，你能帮我切换到下一张幻灯片吗？
再说一遍，我们需要掌握多少信息才能将一项新的干预措施纳入临床方案，也就是我们现有的患者护理流程？这其中涉及诸多因素。这项额外操作是否存在风险？预期能带来哪些改善？这些改善是否大于风险？其他研究又是如何得出结论的？现有证据的强度和时效性如何？它是否适用于我们特定的患者群体？正如吉姆之前所说，如果这项措施只适用于年轻患者，而我们还有年老体弱、患病的患者，那么情况可能就截然不同了。
那么，我们是否有任何可以依据的实证证据？这在科学上是否合理？其成本是多少？这是一项非常简单的干预措施。我们认为它很容易研究。我们认为这些回顾性数据可以增强现有研究的可信度，并使我们的研究方案与之保持一致。
吉姆，请看下一张幻灯片。内容是关于我们如何利用研究来制定指南和指导原则。这张幻灯片展示了我们如何收集研究结果并将其纳入指南，例如，指南会指出，这是一级推荐（强烈推荐），还是二级或三级推荐？
推荐等级从最高等级 1 级（风险远小于收益）开始，表示建议实施干预措施，应该进行干预。推荐等级 2a 级和 2b 级，2a 级表示实施干预措施是合理的选择，可能有效或有益。2b 级的措辞略有变化，表示推荐程度较低，但证据尚不充分，表明可以考虑实施干预措施。
当然，到了第三类，就出现了“无益”第三类，即已被证实没有益处或已被证实有充分证据表明有害。有强有力的证据表明，它确实有害。当我们与各机构一起制定指南时，我们会考虑每项建议应该归入哪一类。为此，正如我们在下一张幻灯片中看到的，我们会查看所有围绕该问题开展的研究，并确定现有证据的质量。
当我们说这是一级推荐且证据级别为A级时，这意味着证据质量很高。它包含不止一项随机对照试验或高质量随机对照试验的荟萃分析。证据级别降至B级，属于中等质量证据，可能只有一项或几项随机对照试验，或者规模较小的随机对照试验。而B级及以上级别的研究甚至都不是随机的，尽管它们设计良好，但并非随机观察性研究。
这就是我们目前这项心包切开术研究所提供的证据级别。当然，证据级别还会更低，甚至可能仅仅是专家意见，这显然不是我们所期望的证据。但有时，在外科和医学领域，有些事情我们还没有高质量的证据，但专家们仍然认为它很重要。
针对这个问题，我们回顾了已有的数据，我们有八年的随访期，纳入了700多例接受过开胸手术的患者。我们将接受心包切开术的患者与未接受心包切开术的患者进行了比较。最初，即使没有进行倾向性匹配，两组患者的匹配度也相当高。之后，我们又进行了倾向性匹配。两组数据（未匹配和匹配后的数据）均显示，术后房颤的发生率有所降低。
接近10%，具有统计学意义。住院时间也更短，出院更快，再入院率也更低。长期生存率的Kaplan-Meier曲线确实出现了偏差，接受心包切开术的患者似乎也存活更久。我们认为这是重要的信息，它与其他即将公布的数据一起，可能会改变临床实践。如果能获得资助，我们希望参与一项关于此主题的大型多中心随机对照试验。这总是很复杂。但我想，关于如何处理这些数据，还是让Jim来处理吧。
好的，谢谢康威尔博士。我想我们直接回到……我本来想简单讲一下倾向评分的原理，但考虑到时间有限，我还是直接进入结果部分吧。我们原本以为是45分钟的讨论，结果只有30分钟。我就直接讲结果了。您还没有这个文件，很抱歉，它还没有发布。不过，我们接下来会一起看看一些分析结果以及工作流程。
首先，您可以看到这里有 426 列。作为新用户，我必须强调将列分组有多么方便。这里我把所有风险因素都分组在一起，然后把结果也分组在一起。我的想法是，这些风险因素（还有更多）在这里只是其中的一部分。它们在两组之间需要相对同质。为了做到这一点，我可以执行“分析拟合 Y 乘以 X”的语句，这些结果就是响应变量。在这里，我们将心包切开术作为干预措施。
我们希望各组的比例大致相同。但很快我就发现并非如此，所以我可以在这里添加单元格标签。我可以添加百分比。实际上，让我再试一次，这次是按百分比标记单元格。现在都这样了。我们可以看到，在患有慢性阻塞性肺病（COPD）的患者中，各组之间存在统计学上的显著差异。倾向性匹配的目的就是尽可能使各组患者人数相等。因为在这个特定案例中，患有COPD但未接受心包切开术的患者人数更多。
我们正在努力使天平向我们倾斜。我们没有那些患有肺气肿的患者。我们可以做的，也是JMP软件的一项绝佳技巧，就是设置一个本地数据过滤器。这个过滤器会检查组别是否匹配。记住，倾向评分法，我们有大约286名患者接受过心包切开术。现在我们要进行匹配。我进行匹配后发现，现在的比例非常接近，35%比32%。这就是我们的理念，我们会一直采用这种方法。
这些是比例，但同样的道理也适用于百分比。当我们查看一些实验室数据时，我们希望各个实验室的平均值非常接近。这是我们在这些研究中首先要确保的，即数据是否具有同质性。在所有数据一开始就具有同质性固然很好，但在进行倾向性匹配之后会更好。
现在，当我查看结果分析时，我可以做同样的事情。我继续，进行分析，并拟合 Y 对 X 的关系。在这个特定的例子中，结果是响应变量，心包切开术是 X 因素。这里，我们来看 POF。为了节省时间，我们可以看到，当我使用所有数据时，POAF 存在统计学上的显著差异。我再把这些百分比输入进来。无论如何，这在统计学上非常显著。但是，如果我继续使用本地数据过滤器进行倾向性匹配，并输入“匹配了吗？”，以下是匹配后的版本。
现在我可以看到，这里的统计显著性确实更高了。当它们正确匹配后，差异会更加明显。我还想向您展示的是，这是一个分类变量。但就经济学而言，对我们来说，住院时长和患者预后也是一个重要的因素。他们都希望尽快回家，而住院时长可以作为衡量康复速度的指标。
我们可以进行均值检验，可以看到均值之间存在统计学上的显著差异。但通常情况下，我们最好看看……我把它们放在这里。均值就在这里。可以看到平均住院时间分别是八天半和九天半。但我们还要看一下中位数检验。我想指出的是，也可以进行中位数检验。这里也存在统计学上的显著差异，因为确实存在住院时间过长导致数据失真的情况。
这就是为什么我们关注中位数的原因。我们可以看到，中位住院时间也存在一天的差异。这些是分析结果的一些思路。康威尔医生提到，我们也观察到生存率显著提高。这是在这里的生存分析平台上完成的，就是这里的生存分析。我们将以心包切开术为分组，然后查看生存时间（以年为单位），最后计算删失值。
这是对数据截尾的介绍，意味着当我们停止观察时，并非所有人都已经死亡，因此他们的数据被截尾处理了。我们继续观察，看看是否存在差异。我们现在可以看到确实存在差异。零表示他们没有接受心包切开术。您可以看到，这里显示的是按年计算的生存概率。这两条曲线之间的差异实际上具有统计学意义。我们甚至可以看看四年或其他时间点的生存率是多少。四年生存率为 81%。如果您没有接受心包切开术，而一表示您接受了心包切开术，则生存率为 88%。您可以看到生存率存在 8% 的差异。
最后，简单说明一下，我们在进行一些分析时发现，由于某些风险因素的影响非常显著，所以分析起来很有挑战性。我们知道年龄、性别和体重指数（BMI）等因素可能会减弱我们观察到的一些影响。我们会研究各种因素和决策树。我强烈推荐这些专家，他们能为你提供非常棒的见解。
例如，如果我想研究术后房颤（POAF）……为了节省时间，我们先来看几个接受过心包切开术的患者。我们现在看到的只是总体情况，包括概率和病例数。我们可以看到，大约71%的患者术后没有发生房颤。如果我们找出最能确定术后房颤的单一变量，我们会发现，如果患者年轻（小于60岁），那么发生房颤的比例就是91%，也就是8%到92%。我们有122例患者符合这个条件。这提供了很多有价值的信息。我们可以看出年龄的重要性。
但如果我把目光转向年轻群体，然后进行分组，瞧！结果发现，是心包切开术帮助我们更好地进行区分。年轻人的总体发病率为 8%。然而，如果做了心包切开术，发病率就降到了 3%。我们还可以做更多，但时间紧迫。我这就总结一下，并告诉大家，这或许可以算作我们应用这些理念的开端，因为 JMP 19 还有更多内容即将推出。
他们在结构方程模型和工具变量方面做得非常出色。JMP 19 将实现倾向评分的自动化。除了我们目前使用的一些标准方法之外，还有其他不同的方法。未来可期。我认为，随着我们研究这些 21 世纪的方法，并意识到因果关系并非只有随机对照试验，关于因果关系的讨论也越来越受到重视。事实上，基于我们正在研究的数据和探索的一些创新方法，我们可以学到很多东西，并获得可操作的结果。
希望这次讲解对您有所帮助，我们还会继续解答您的问题。非常感谢。
