【锚点】这一篇只钉一个判断：队列研究里最常被当成「混杂」处理掉的那个偏差，其实叫【不死时间偏倚 immortal time bias】——它不来自「谁吃了药」，来自【暴露的定义偷看了未来】。而且它有一个可怕的数学性质：偏倚方向是单向的。

# 先看一次真实的对撞

【显式】护士健康研究（Nurses’ Health Study，Grodstein et al. 1996）：激素替代疗法 HRT 与冠心病，相对风险约 0.60，保护效应。 【显式】WHI 随机对照试验（2002）：同一个药、同一个结局，冠心病风险比约 1.29，方向反了。

【隐式】两者之间的一部分差距，不是人群不同，是分类规则不同：在 NHS 里，一位女性如果在第一次心梗之后才去开第一张 HRT 处方，她会被永久归入【未暴露】。而在她开出处方之前的那段时间，她必须先活着——这段被保证的存活时间，被记在了未暴露组的账上，把未暴露组的死亡率抬高了。

# 一个能算的演示：药完全无效，却能算出 23% 的保护

设定：100 人入组，随访 1 年，年内共 50 人死亡、死亡在时间上均匀分布。药是惰性的，真实效应 = 0。 暴露定义（naive，也是很多论文的实际写法）：出院后第 90 天之前开过药 = 暴露。

• 第 90 天前死亡约 12.3 人 → 这批人【不可能】成为暴露者，被强制归入未暴露组。
• 活到第 90 天约 87.7 人，其中一半开了药：暴露组约 43.9 人，未暴露组约 43.9 人。
• 剩余死亡 37.7 人在 87.7 人中均匀发生：暴露组死 18.9，未暴露组死 18.9。
• 未暴露组总死亡 12.3 + 18.9 = 31.2，死亡率 55.5%。
• 暴露组死亡 18.9，死亡率 43.0%。

风险比 = 0.78。一个【凭空出现的 22% 保护效应】，p 值漂亮，Table 1 平衡，倾向评分也救不了。

【流程节点链路】起点【t=0 入组 100 人，药效为零】 → 节点1【暴露定义使用了 t<90 天的处方记录，这是一个未来信息】 → 节点2【t<90 天死亡的 12.3 人不可能成为暴露者，被强制归入未暴露组】 → 节点3【未暴露组吸收全部早期死亡，死亡率被抬到 55.5%】 → 节点4【暴露组的风险从第 90 天才开始计，死亡率 43.0%】 → 终点【RR=0.78 的「保护效应」完全由分类规则制造，与药无关】。

# 图钉分级：这个偏差藏得有多深

【显式】naive 表里暴露组死亡率更低，还显著。 【隐式】两组的随访起点其实不同：暴露组从第 90 天起算，未暴露组从第 0 天起算。 【细微】两组的【人-时】分母覆盖的不是同一段时间；早死者的那 90 天从未有机会被计入暴露。要发现它，你得把 person-time 按暴露状态逐段切开比对，而不是看汇总表。 【极难发现】即使你做倾向评分匹配、多变量调整、把「基线健康程度」当协变量——偏倚仍在，因为问题不在协变量，在【暴露变量的时间戳】。更反直觉的是它的方向性：这个偏倚恒为「夸大保护效应」，它不会让你低估。推论是残酷的——【阴性结果对这种偏倚免疫，阳性结果对它毫无免疫力】。所以「观察性研究显示有效」这句话的信息量，取决于作者有没有交代暴露的时间戳，而不取决于 p 值。

# 三条修法，代价各不相同

1. 【landmark analysis】把第 90 天设为新的 t=0，只分析活到第 90 天的人。干净，但扔掉约 12% 的样本，而且你估计的目标人群变了——变成「存活者中的效应」。
2. 【时依暴露 Cox】暴露作为时间依赖协变量：暴露前的人-时记未暴露，暴露后切换。这是药代流行病学的标准解（Suissa 2008 正式命名并系统化）。
3. 【clone-censor-weight / 目标试验模拟】每个个体复制成「立刻暴露」与「永不暴露」两个克隆，谁违背就被删失并加权。口径最干净，代价是你必须把目标试验写清楚。

# 数据可视化：把偏倚画成一根灰条

画一张 Lexis 图：横轴随访时间，纵轴每个个体一行，暴露前那段涂灰。灰条的长度就是偏倚的物理尺寸——它是一段「被保证的生存」。审稿时先看这张图，比看 Table 1 有用得多；一张图能暴露的，汇总表永远藏得住。这也是我这些年最坚持的一条可视化原则：不要画【结论的形状】，要画【数据的形状】，因为偏倚住在形状里。

# 留给你的问题

如果一种偏倚只会往一个方向推，我们是不是该停止问「这个观察性结果显著吗」，改问「这个效应量里有多大比例能被时间戳解释掉」？

更尖锐一点：在你画出那张 Lexis 图之前，你其实并不知道自己的暴露变量是不是一个未来信息。你上一次检查自己的暴露变量，是在数据收集之前，还是在审稿人问起之后？