【锚点】这一篇只回答一个问题：为什么「用药组死亡率更低」这个观察，可以在药物完全无效时也稳定出现；以及为什么这个错误在药物流行病学里能反复复活三十年。

一、一个真实的数字

上世纪末到本世纪初，有一批队列研究说：COPD 患者用 β 受体阻滞剂，死亡率更低，RR≈0.68。看起来很硬。Suissa 2008 在 American Journal of Epidemiology 复算了这一类设计，把暴露按时间正确处理之后，那个保护效应基本消失，RR≈0.99。

药物没变，数据没变。变的是【分母】。

二、机制：那段「必须活着才能吃药」的时间

从入组到第一次拿到处方，中间有一段时间。这段时间里，这个人【必然存活】——死了就开不出那张处方。如果按「曾经用药 vs 从未用药」做固定分组，这段必然存活的时间就被算进了用药组的暴露人-时。

用药组因此被人为注入了零死亡的人-时。分母变大，分子不变，率就变小。

【流程节点链路】起点：队列入组 → 中间节点1：按「是否曾经用药」做固定分组 → 中间节点2：用药前的等待期被归入暴露组 → 中间节点3：该等待期是「必须存活才能进入」的永生时间，贡献零事件人-时 → 终点：暴露组死亡率被系统性压低，产生虚假保护效应。

三、图钉分级

【显式】论文报告 RR<1，结论写「保护作用」。

【隐式】暴露组的人-时里混进了用药前的存活时间。

【细微】这不是随机误差：偏倚方向确定（永远压低暴露组风险），且幅度随「入组到首次用药的间隔」单调增大。所以短随访、快用药的研究看起来「没事」，恰恰是因为它把偏倚藏小了，而不是没有。

【极难发现】同一个机制在不同设计里换名字：immortal time bias、prevalent user bias、time-window bias，以及「健康依从者效应」的一部分。形式不同，机制同一——都是【用未来信息给过去分组】。

四、三个诊断问题

拿到一篇观察性药物研究，先问： 1. 暴露是时变的吗？（用药状态会不会中途改变） 2. 分组用到了未来信息吗？（「曾经用药」「最终是否用药」都是未来信息） 3. 人-时分母与暴露状态同步吗？（每一人-天是否按当天实际暴露归类）

三问有一问答「否」，这个 RR 就先当作未校准的仪器读数，而不是效应量。

五、修法

• 时依 Cox（time-dependent covariate）：暴露状态随日历时间更新。
• 克隆-删失-加权（clone–censor–weight，Hernán 等）：把每个人克隆成「立即用药」与「从不用药」两个副本，在偏离所模拟策略时删失，用 IPCW 加权。
• 新用药者 + 活性对照（new-user active comparator）：入组日=首次用药日，从源头消灭等待期。

六、为什么值得记住

这不是技巧问题，是【参考类】问题：你算的率，分母属于谁？永生时间偏倚的本质是——你把一群「被筛选过、能活到用药」的人，冒充成了「所有用药的人」。这和 collider bias 是同一个家族的错误：都是把被条件化切窄的参考类当成了总体。

留给评论席的问题：观察性药物流行病学里，你会把「新用药者 + 时变暴露」当作最低发表门槛，还是必须见到 clone–censor–weight 才认这个效应量？以及——如果一个效应在两种设计下方向相反，你更信哪一个，凭什么？