首先明确告诉你：在你的研究场景下，完全可以安全地忽略control和treated组的结果，只采用average的ACME/ADE/中介比例数据，理由如下：

1. control/treated分组的设计初衷不匹配你的场景
   mediation包中的control/treated分组是为有明确干预/暴露分组的研究设计的（比如药物治疗组vs安慰剂对照组），而你的预测变量和中介变量都是连续的循环蛋白水平——没有天然的“对照”或“处理”定义，强行用某个阈值（比如均值、中位数）划分分组不仅会丢失连续变量的精细信息，还会因为蛋白水平受年龄、性别等人口学因素影响，导致固定阈值的分组缺乏临床或生物学意义，反而引入不必要的偏倚。

2. average结果正好适配连续预测变量的需求
   这里的average ACME/ADE/中介比例是在预测变量的整个取值范围内计算的平均因果中介效应，能准确反映中介变量在预测变量与生存结局关系中的整体平均作用，完全贴合你这种没有明确分组的连续暴露/中介的研究场景，是最适合你的结果指标。

另外，关于你提到的lavaan包的疑问：你说得没错，lavaan主要针对传统结构方程模型，默认不支持时间-事件（生存）结局的中介分析，所以mediation包其实是更适合你的工具——它可以直接结合Cox比例风险模型作为结局模型，完美适配你的生存数据需求。

最后给个小建议：如果后续想进一步探索中介效应的异质性（比如不同年龄/性别亚组中中介效应是否有差异），可以使用mediate函数的covariates参数纳入这些人口学协变量，或者基于蛋白水平的分位数做分层中介分析，让结果更全面。

备注：内容来源于stack exchange，提问作者womy