观察性研究中PSM提升证据质量的策略

观察性研究中PSM提升证据质量的策略演讲人01引言：观察性研究的证据质量困境与PSM的定位02PSM的核心理论基础：从“混杂控制”到“因果推断”03PSM的实施策略：从数据准备到结果解读的系统化流程04PSM的质量控制关键环节：避免“伪匹配”与“过拟合”05PSM的常见误区与规避方法06PSM与其他方法的协同应用：构建“因果推断工具箱”07案例实践：从“问题提出”到“证据提升”的全流程展示08总结与展望：PSM在观察性研究中的价值与未来方向目录观察性研究中PSM提升证据质量的策略01引言：观察性研究的证据质量困境与PSM的定位引言：观察性研究的证据质量困境与PSM的定位在流行病学、公共卫生与临床医学研究中，观察性研究因其真实世界情境下的高可行性，成为探索暴露与结局关联的重要手段。然而，与随机对照试验（RCT）相比，观察性研究普遍面临混杂偏倚（confoundingbias）的挑战——由于暴露因素的分配非随机化，组间在基线特征（如年龄、性别、疾病严重程度、合并症等）上存在系统性差异，导致效应估计偏离真实值。例如，在探讨“吸烟与肺癌关联”的队列研究中，若吸烟组更多暴露于空气污染，则肺癌风险的升高可能被错误归因于吸烟而非污染，这种混杂效应会严重削弱证据的可靠性与因果推断强度。传统控制混杂的方法包括多变量回归调整、分层分析、工具变量法等，但均存在局限性：多变量回归易受模型形式假设（如线性、乘性交互）影响，当协变量与结局关系复杂时易产生残留混杂；分层分析在协变量维度增加时面临“维度灾难”，引言：观察性研究的证据质量困境与PSM的定位样本量被过度分割；工具变量法则需满足“强相关性、独立性、排他性”三大假设，在实践中难以验证。在此背景下，倾向性评分匹配（PropensityScoreMatching,PSM）作为一种基于“条件独立性假设”的因果推断方法，通过模拟随机分配的机制，有效平衡暴露组与对照组的协变量分布，成为提升观察性研究证据质量的核心策略之一。作为长期从事真实世界研究的学者，我在处理某项关于“二甲双胍与2型糖尿病患者心血管结局”的队列研究时曾深刻体会到：尽管初始数据显示二甲双胍组心血管事件风险降低30%，但通过PSM匹配基线糖化血红蛋白、血压、用药时长等混杂因素后，风险比（HR）从0.70修正至0.82，且95%置信区间更窄，结果更符合既往RCT的结论。这一经历让我意识到，PSM不仅是统计方法的应用，引言：观察性研究的证据质量困境与PSM的定位更是对“观察性研究向RCT靠拢”这一证据质量提升逻辑的实践。本文将从理论基础、实施策略、质量控制、误区规避及协同应用五个维度，系统阐述PSM在观察性研究中提升证据质量的完整路径，为研究者提供兼具理论深度与实践操作性的指导。02PSM的核心理论基础：从“混杂控制”到“因果推断”倾向性评分的定义与核心假设倾向性评分（PropensityScore,PS）定义为“在给定一系列协变量（X）的条件下，个体接受暴露（A=1）而非对照（A=0）的条件概率”，即PS(X)=P(A=1|X)。Rosenbaum和Rubin（1983）首次提出，若满足“条件独立性假设”（ConditionalIndependenceAssumption,CIA），即给定PS和协变量X后，暴露状态A与结局Y独立（Y⊥A|PS,X），则可通过平衡PS实现暴露组与对照组的可比性，此时暴露效应的估计不再依赖X的具体取值，仅通过PS即可消除混杂。这一假设的本质是：PS浓缩了所有协变量对暴露选择的影响，若暴露组与对照组的PS分布一致，则两组在X上的分布亦趋同，从而模拟了随机分配中的“基线平衡”。PSM与随机分配的逻辑一致性RCT的核心优势在于随机化确保了协变量在组间的平衡（既包括观测协变量，也包括未观测协变量）。而PSM通过“事后匹配”实现“事前平衡”：首先估计每个个体的PS，再为暴露组中的每个个体在对照组中寻找PS最接近的个体（或多个个体）进行匹配。匹配后的两组在PS（及通过PS平衡的X）上分布一致，从而消除了选择偏倚。例如，在“手术vs药物治疗冠心病”的研究中，若手术组患者年龄更大、合并症更多，通过PSM可找到年龄、合并症程度相似的药物治疗患者，两组的可比性接近RCT的随机分配效果。PSM的数学表达与效应估计设PS由协变量X通过Logistic回归估计：PS(X)=exp(β₀+β₁X₁+…+βₚXₚ)/[1+exp(β₀+β₁X₁+…+βₚXₚ)]。匹配后，暴露组（A=1）与对照组（A=0）的PS均值、方差、分布均无统计学差异，此时暴露效应（如平均处理效应ATT，即AverageTreatmentEffectontheTreated）可通过匹配样本直接计算：ATT=E[Y₁-Y₀|A=1]=E[Y|A=1]-E[Y|A=0,PS≈PS(A=1)]。这一估计量在CIA成立时是无偏且一致的，为观察性研究提供了接近RCT的因果效应估计。03PSM的实施策略：从数据准备到结果解读的系统化流程PSM的实施策略：从数据准备到结果解读的系统化流程PSM的效果高度依赖于实施过程的严谨性。一个完整的PSM流程可分为“数据准备-PS估计-匹配方法选择-匹配后评估-效应估计-敏感性分析”六个阶段，每个阶段均需结合研究目的与数据特征进行精细化设计。数据准备阶段：变量选择与数据预处理协变量选择的“三原则”协变量是PS估计的基础，其选择直接决定了PSM对混杂的控制效果。需遵循三大原则：-先验知识原则：基于文献、病理生理机制或临床经验，纳入已知或疑似的影响暴露选择与结局的变量。例如，在“他汀类药物与肾功能”研究中，需纳入年龄、性别、基线肾功能、糖尿病史、血压等，这些因素既影响他汀处方的决策，也直接影响肾功能结局。-DAG图原则：采用有向无环图（DirectedAcyclicGraph,DAG）识别“混杂因子”（同时是暴露与结局的共同原因）、“工具变量”（仅影响暴露）、“中介变量”（暴露通过其影响结局）。例如，在“高血压与卒中”研究中，“降压药使用”是中介变量（高血压→降压药→卒中），若纳入PS模型会过度调整，导致效应估计低估；而“年龄”是混杂因子，必须纳入。数据准备阶段：变量选择与数据预处理协变量选择的“三原则”-数据可得性原则：优先选择测量准确、缺失率低的变量。对于缺失率>20%的变量，需采用多重插补（MultipleImputation）或逆概率加权（IPW）处理，而非简单删除（否则可能引入选择偏倚）。数据准备阶段：变量选择与数据预处理暴露与结局变量的定义暴露变量需明确定义“暴露”与“非暴露”的界限，如“是否使用某药物”需明确用药时长（≥28天）、剂量（符合标准剂量范围）等，避免“沾染”（contamination）或“不依从”（non-adherence）干扰。结局变量需采用客观、可重复的结局指标（如死亡、住院、生化指标等），若为复合结局，需预先定义主要结局与次要结局，并说明多重比较的校正方法。数据准备阶段：变量选择与数据预处理样本量的合理性评估PSM会因匹配导致样本量损失，尤其当暴露组与对照组PS分布重叠较小时。建议在匹配前计算“重叠度”（Overlap），可通过PS分布直方图或重叠系数（OverlapCoefficient,OVL）评估：OVL>0.7表示重叠良好，匹配后样本损失率<20%；OVL<0.5则提示存在“不可比较亚组”，需考虑亚组分析或限制纳入标准。倾向性评分的估计方法：从传统模型到机器学习传统回归模型：适用性与局限性Logit或Probit回归是最常用的PS估计方法，形式简单、结果可解释性强。但当协变量与暴露的关系非线性（如年龄与药物使用的U型关联）或存在高阶交互（如基因与环境交互）时，传统模型易因函数形式假设错误导致PS估计偏倚。例如，在“老年患者跌倒与抗抑郁药”研究中，年龄与抗抑郁药使用可能呈倒U型关系（中年患者用药率最高），若Logistic模型仅纳入线性项，则PS无法准确反映暴露选择的概率。倾向性评分的估计方法：从传统模型到机器学习机器学习模型：提升PS估计精度为克服传统模型的局限，随机森林（RandomForest）、梯度提升机（GBM）、支持向量机（SVM）等机器学习方法被引入PS估计，其优势在于：-自动捕捉非线性与交互效应：随机森林通过构建多棵决策树，可识别协变量间的复杂交互，无需预先指定函数形式；-抗过拟合能力强：GBM通过迭代训练弱学习器，并加入正则化项，避免在训练集上过拟合；-处理高维数据效率高：当协变量数量>20时，机器学习模型仍能稳定估计PS，而传统模型易受多重共线性影响。但机器学习模型也存在“黑箱”问题，结果可解释性较差。实践中可采用“交叉验证+特征重要性排序”筛选关键协变量，或与传统模型结合（如先用随机森林筛选变量，再用Logistic回归估计PS），平衡精度与可解释性。倾向性评分的估计方法：从传统模型到机器学习PS估计的验证：模型拟合优度与校准度无论采用何种模型，均需验证PS估计的准确性：-Hosmer-Lemeshow检验：评估PS预测值与实际暴露率的拟合优度（P>0.05表示拟合良好）；-ROC曲线下面积（AUC）：AUC=0.5表示模型无预测能力，AUC=1.0表示完美预测，通常认为0.7<AUC<0.8表示中等预测能力，AUC>0.8表示预测能力较强，但需注意AUC过高可能提示模型过拟合；-校准度评估：将PS按十分位数分组，比较每组实际暴露率与预测PS值，通过校准图（CalibrationPlot）观察散点是否沿45度线分布。匹配方法的选择：从“一对一匹配”到“高级匹配算法”匹配方法的核心目标是实现暴露组与对照组在PS上的“平衡”与“效率”（即最小化样本损失与最大化匹配精度）。常用方法包括：1.最近邻匹配（NearestNeighborMatching,NNM）最基础的方法，为每个暴露组个体在对照组中寻找PS最接近的个体（k=1时为一对一匹配，k>1时为一对多匹配）。优点是操作简单，适用于大样本数据；缺点是可能因“不精确匹配”（如PS差异>0.1）导致残留混杂，或因“重复使用”（一个对照组个体匹配多个暴露组个体）增加权重方差。匹配方法的选择：从“一对一匹配”到“高级匹配算法”卡尺匹配（CaliperMatching）在最近邻匹配基础上设定“卡尺”（Caliper），即仅允许PS差异<卡尺值的个体进行匹配。卡尺通常取PS标准差的0.2倍（根据Rosenbaum建议），若超出卡尺则不匹配（暴露组个体被丢弃）。卡尺匹配能显著提升匹配精度，但可能增加样本损失率，尤其当PS分布重叠较差时。3.分层匹配（StratificationMatching）将PS按五分位数或十分位数划分为若干层，比较层内暴露组与对照组的结局差异。若层内PS分布平衡，则可通过层内加权合并效应量。分层匹配能保留全部样本，但需确保层数足够多（避免层内PS变异过大），且结局分析时需考虑层间异质性（如采用Meta分析中的随机效应模型）。匹配方法的选择：从“一对一匹配”到“高级匹配算法”核匹配（KernelMatching）为每个暴露组个体赋予权重，权重由对照组个体的PS距离决定（距离越近，权重越大）。核匹配能保留全部对照组信息，减少样本损失，但权重分配可能受极端值影响，需结合PS核密度图评估匹配合理性。匹配方法的选择：从“一对一匹配”到“高级匹配算法”全匹配（FullMatching）将所有暴露组与对照组个体划分为若干“匹配对”，使得对内PS差异最小，对间PS差异最大。全匹配是样本利用率最高的方法（仅丢弃完全无重叠的个体），但分析时需采用聚类稳健标准误（以匹配对为聚类单位），否则可能低估方差。方法选择建议：若样本量大且PS分布重叠良好，优先选择卡尺匹配（卡尺=0.2SD）；若样本量小，优先选择全匹配或分层匹配；若需保留全部样本，可选择核匹配。无论何种方法，匹配比例（如1:1、1:2、1:4）需根据暴露组样本量确定——对照组样本量充足时，增加匹配比例可降低随机误差，但需平衡效率与精度。匹配后评估：从“统计平衡”到“临床意义”匹配是否成功，需通过“平衡检验”与“分布可视化”双重验证，这是PSM中最易被忽视却最关键的环节。匹配后评估：从“统计平衡”到“临床意义”平衡检验的“三维度”评估-标准化差异（StandardizedMeanDifference,SMD）：最常用的平衡指标，计算公式为SMD=(X₁̅-X₂̅)/√[(S₁²+S₂²)/2]，其中X₁̅、X₂̅分别为暴露组与对照组的协变量均值，S₁²、S₂²为方差。SMD<0.1表示平衡良好（传统界值为0.2，但现代因果推断研究建议更严格的0.1标准）；-假设检验：通过t检验（连续变量）、卡方检验（分类变量）比较组间差异，P>0.05表示无统计学差异，但需注意：假设检验依赖样本量（大样本下即使SMD很小也可能P<0.05），因此需结合SMD综合判断；-分布重叠度：通过PS密度图（暴露组与对照组的PS分布曲线）或Loveplot（可视化各协变量的匹配前后SMD变化）直观评估匹配效果——匹配后两组PS密度曲线应高度重叠，Loveplot中SMD应从“>0.1”降至“<0.1”。匹配后评估：从“统计平衡”到“临床意义”平衡不足时的调整策略若匹配后仍存在协变量不平衡，可采取以下措施：01-调整PS模型：检查协变量是否遗漏非线性项或交互项，例如加入X²或X₁×X₂项；02-更换匹配方法：若最近邻匹配效果差，尝试卡尺匹配或全匹配；03-增加匹配比例：将1:1匹配改为1:2或1:4匹配，为暴露组提供更多候选对照；04-联合使用其他方法：在PSM基础上结合逆概率加权（IPW），为未匹配成功的个体赋予权重，进一步平衡协变量。05效应估计与统计模型选择匹配完成后，需在匹配样本中估计暴露效应，并根据结局类型选择合适的统计模型：效应估计与统计模型选择结局类型与模型对应关系-时间事件结局（如生存分析）：采用Cox比例风险模型，需报告HR及生存曲线，注意匹配后需采用“稳健方差估计”或“聚类稳健标准误”（以匹配对为聚类单位），否则可能低估方差；-二分类结局（如死亡、复发）：采用Logistic回归，计算比值比（OR）或风险比（HR），需报告ATT及其95%置信区间（CI）；-连续结局（如血压、生化指标）：采用线性回归，计算平均处理效应（ATE）或ATT及其95%CI，需检验回归模型的线性假设与残差正态性。010203效应估计与统计模型选择控制残留混杂的必要性即使匹配后协变量平衡，仍建议在效应估计模型中纳入重要协变量（尤其是PS模型中未完全平衡的变量），通过“回归调整”进一步降低残留混杂。例如，在“PSM匹配年龄、性别后，仍将基线血压纳入Cox模型”，可减少血压的轻微不平衡对HR估计的影响。敏感性分析：评估结果的稳健性与未观测混杂的影响观察性研究的固有局限是无法完全排除未观测混杂（如患者的依从性、生活方式等），因此敏感性分析是评估PSM结果可靠性的“最后一道防线”。敏感性分析：评估结果的稳健性与未观测混杂的影响未观测混杂的强度评估-Rosenbaum界限：通过计算“Gamma值”（即未观测混杂使OR增加的最小倍数），评估结果对未观测混杂的敏感性。例如，若Gamma=2表示“若未观测混杂使个体暴露odds增加至原来的2倍，则ATT无统计学意义”，Gamma值越大，结果越稳健；-E值（ValueofEvidence）：定义为“与观察到的关联效应等效的、未观测混杂的最小风险比（RR）或OR”，即若未观测混杂的RR>E值，则可能推翻原结论。E值越大，结果越稳健。例如，某研究ATT=0.60（95%CI:0.45-0.80），E值=2.1，表示未观测混杂需使暴露风险增加2.1倍以上才能消除关联，结果较稳健。敏感性分析：评估结果的稳健性与未观测混杂的影响不同PSM方法的比较采用不同匹配方法（如卡尺匹配vs全匹配）或不同PS估计模型（如Logistic回归vs随机森林）重复PSM流程，比较效应估计量的一致性。若不同方法的结果趋势一致（如均显示暴露降低风险），则结果稳健；若差异较大，需排查PS估计或匹配方法的选择是否合理。敏感性分析：评估结果的稳健性与未观测混杂的影响亚组分析与异质性检验按年龄、性别、疾病严重程度等进行亚组PSM，检验效应估计量是否存在异质性（通过I²统计量或交互作用P值）。例如，在“他汀类药物与心血管事件”研究中，若PSM显示他汀对老年患者（≥75岁）的ATT=0.70，对非老年患者ATT=0.85，且交互作用P=0.02，则提示存在效应修饰，需分层报告结果。04PSM的质量控制关键环节：避免“伪匹配”与“过拟合”PSM的质量控制关键环节：避免“伪匹配”与“过拟合”在实践中，PSM常因对流程细节的忽视导致“形式匹配但实际未平衡”，即“伪匹配”（SpuriousMatching）。以下四个环节是质量控制的核心：协变量选择：避免“过度调整”与“调整不足”“过度调整”（Over-adjustment）指纳入了中介变量或工具变量，导致效应估计低估；“调整不足”（Under-adjustment）指遗漏了重要混杂因子，导致残留混杂。解决策略：01-基于DAG图明确变量角色：使用软件（如DAGitty）构建DAG图，识别“必须调整的混杂因子”“不应调整的中介变量”“可调整的协变量”（如与结局无关但与暴露相关的变量）；02-进行“敏感性分析”评估变量影响：分别纳入与排除可疑变量，比较效应估计量的变化——若变化>10%，则需进一步确认该变量的角色。03匹配质量：从“PS平衡”到“临床意义平衡”PS平衡仅是统计学上的平衡，还需确保协变量的平衡具有“临床意义”。例如，匹配后两组的年龄均值相差1岁（SMD=0.05），虽无统计学差异，但若研究聚焦“老年患者”（≥80岁），1岁的差异可能仍具有临床意义。此时需进一步细化年龄分组（如80-85岁、85-90岁），进行分层匹配。样本量与统计功效：避免“匹配后功效不足”PSM会导致样本量损失，尤其当PS分布重叠较小时。建议在研究设计阶段估算所需样本量：-公式：N=(Zα/2+Zβ)²×(σ₁²+σ₂²)/(μ₁-μ₂)²，其中σ₁²、σ₂²为暴露组与对照组的方差，μ₁-μ₂为预期效应量；-考虑匹配效率：若预期匹配后样本损失率为30%，则需将计算样本量扩大1.4倍。结果报告：遵循“STROBE-PSM声明”为提升PSM研究的透明度与可重复性，需遵循《STROBE声明》（观察性研究报告规范）中关于PSM的扩展要求，报告以下内容：-协变量选择依据（文献、DAG图等）；-PS估计方法（模型、变量、AUC值）；-匹配方法（类型、卡尺、匹配比例）；-匹配前后协变量的平衡情况（SMD、P值、可视化图）；-效应估计量（ATT、95%CI、统计模型）；-敏感性分析结果（Rosenbaum界限、E值、不同方法比较）。05PSM的常见误区与规避方法PSM的常见误区与规避方法尽管PSM在观察性研究中应用广泛，但研究者常因对其原理的误解导致结论偏倚。以下为常见误区及规避策略：误区1：“PSM能解决所有混杂问题”错误认识：认为PSM可控制未观测混杂，或无需依赖先验知识选择协变量。正确认知：PSM仅能平衡观测协变量，无法控制未观测混杂（如患者的依从性、生活方式）；其效果高度依赖于协变量选择的准确性，若遗漏重要混杂因子，PSM仍会产生残留混杂。规避方法：始终结合DAG图与先验知识选择协变量，并通过敏感性分析评估未观测混杂的影响。误区2：“匹配后无需进行统计分析”错误认识：认为匹配后两组已“完全随机”，可直接比较结局均值，无需进行回归调整。正确认知：匹配仅实现了“基线平衡”，结局分析仍需考虑混杂因素的残留影响（如测量误差、未平衡的微小差异），且匹配后样本可能存在相关性（如一对多匹配），需采用稳健方差估计。规避方法：匹配后在效应估计模型中纳入重要协变量，并采用聚类稳健标准误或稳健方差估计。误区3：“PSM样本量越大越好”错误认识：认为增加匹配比例（如1:1改为1:4）可提高统计功效，盲目扩大对照组样本量。正确认知：匹配比例需与PS分布重叠度匹配——若对照组PS与暴露组差异过大（超出卡尺），强行匹配会增加“不精确匹配”，引入混杂。规避方法：通过PS分布直方图评估重叠度，选择匹配比例时兼顾“匹配精度”与“样本量”，优先选择PS差异<卡尺的对照个体。误区4：“PSM适用于所有观察性研究”错误认识：认为无论研究设计（队列研究、病例对照研究）、暴露类型（连续、分类），均可直接应用PSM。正确认知：PSM适用于“暴露状态可明确界定”“存在足够重叠样本”的研究；对于连续暴露（如药物剂量），可考虑“倾向性评分分层”（按PS十分位数分层）或“广义倾向性评分”（GeneralizedPropensityScore,GPS）；对于病例对照研究，需注意PSM可能引入“选择偏倚”（因为病例与对照组的暴露率与队列研究不同）。规避方法：根据研究设计选择合适的PSM衍生方法，连续暴露采用GPS，病例对照研究采用“病例对照PSM”（以病例与对照组的暴露概率为PS）。06PSM与其他方法的协同应用：构建“因果推断工具箱”PSM与其他方法的协同应用：构建“因果推断工具箱”单一方法难以解决观察性研究的所有混杂问题，PSM需与工具变量法、边际结构模型、机器学习等方法结合，构建多层次的因果推断框架：（一）PSM+工具变量法（IV）：解决“内生性”与“未观测混杂”当存在未观测混杂（如患者的健康素养）导致暴露与结局内生性时，可结合工具变量法（IV）：-步骤：首先通过PSM平衡观测混杂，得到匹配样本；然后选择满足“强相关性、独立性、排他性”的工具变量（如“医生处方偏好”作为药物暴露的IV），在匹配样本中采用两阶段最小二乘法（2SLS）估计因果效应。PSM与其他方法的协同应用：构建“因果推断工具箱”-案例：在“阿托伐他汀与认知功能”研究中，以“地区他汀类药物处方强度”为IV，PSM匹配基线认知功能、年龄等变量后，2SLS结果显示ATT=0.15（95%CI:0.08-0.22），表明他汀可改善认知功能，且结果不受未观测混杂（如患者健康素养）影响。PSM+边际结构模型（MSM）：处理“时间依赖性混杂”1在动态队列研究中（如治疗过程中剂量调整、基线特征随时间变化），混杂因素具有“时间依赖性”（如基线血压随治疗变化），此时PSM需与MSM结合：2-步骤：首先在每个时间点估计PS（纳入既往暴露与协变量），通过PSM或逆概率加权（IPW）处理“时间依赖性混杂”；然后采用MSM（如Cox模型）估计时变暴露的因果效应。3-案例：在“降压药时变剂量与心血管事件”研究中，每月更新PS（纳入当血压、用药史），通过PSM匹配后，MSM显示“收缩压每降低10mmHg，心血管风险降低15%”，有效控制了时间依赖性混杂。PSM+机器学习：提升“高维数据”的PS估计精度当协变量维度较高（如基因组学、蛋白组学数据）时，传统PS估计模型易受“维度灾难”影响，机器学习可提升PS精度：-步骤：采用LASSO回归筛选关键协变量（通过惩罚项自动剔除无关变量），或使用随机森林估计PS；然后通过PSM匹配，结合传统回归模型估计效应。-案例：在“基因多态性与药物不良反应”研究中，纳入1000个SNP位点，通过LASSO回归筛选出20个与药物暴露相关的SNP，估计PS后进行1:1卡尺匹配，结果显示“某SNP位点的携带者不良反应风险增加2.3倍”，结果较传统Logistic回归更稳定。07案例实践：从“问题提出”到“证据提升”的全流程展示案例实践：从“问题提出”到“证据提升”的全流程展示为更直观地理解PSM的实施策略，以下结合一项“抗精神病药物与2型糖尿病患者低血糖风险”的队列研究，展示PSM提升证据质量的全过程：研究背景与问题提出某真实世界数据库纳入5000例2型糖尿病患者，其中1200例使用抗精神病药物（暴露组），3800例未使用（对照组）。初始Cox回归结果显示，暴露组低血糖风险HR=1.85（95%CI:1.52-2.25），但考虑到抗精神病药物使用者多为精神分裂症患者（存在饮食不规律、合并用药等混杂），需通过PSM控制混杂，估计抗精神病药物的“真实因果效应”。PSM实施流程1.数据准备：-协变量选择：基于文献与DAG图，纳入年龄、性别、病程、BMI、糖化血红蛋白、胰岛素使用、精神疾病诊断（精神分裂症/双相情感障碍）、合并用药（抗抑郁药、苯二氮䓬类）等12个变量；-暴露与结局定义：暴露为“抗精神病药物使用≥90天”，结局为“严重低血糖事件（需医疗干预）”；-样本量评估：暴露组1200例，对照组3800例，PS分布重叠度OVL=0.82，匹配后预期样本损失率<15%。2.PS估计：采用Logistic回归估计PS（纳入上述12个变量），AUC=0.83（预测能力良好），Hosmer-Lemeshow检验P=0.42（拟合良好）。PSM实施流程3.匹配方法选择：选择1:1卡尺匹配（卡尺=0.2SD），匹配后暴露组保留1150例，对照组保留1150例，样本损失率4.2%。4.匹配后评估：-SMD：所有协变量的SMD从匹配前的0.15-0.38降至0.02-0.08（均<0.1）；-Loveplot：显示年龄、糖化血红蛋白等关键协变量的SMD显著下降；-PS密度图：暴露组与对照组PS分布高度重叠。PSM实施流程5.效应估计：匹配后Cox回归（校正基线BMI、胰岛素使用）显示，ATT=1.42（95%CI:1.1