[論文レビュー] A Bayesian Nonparametric Approach for Estimating Individualized Treatment-Response Curves

Yanbo Xu, Yanxun Xu+1 more|arXiv (Cornell University)|Aug 18, 2016

Statistical Methods and Inference参考文献 31被引用数 28

ひとこと要約

本稿では、ガウス過程と階層的事前分布を用いたベイジアン非パラメトリック手法を提案し、治療方針が不明な、スパarsely、不規則にサンプリングされた観察的時系列データから、個別化された治療反応曲線を推定する。G-計算式と完全な後部確信度推定を活用することで、特に個々の異質性と不確実性を捉える点で、集団レベルのモデルやベースラインモデルを上回る性能を発揮し、クレアチニンおよび体液バランス反応の予測に優れる。

ABSTRACT

We study the problem of estimating the continuous response over time to interventions using observational time series---a retrospective dataset where the policy by which the data are generated is unknown to the learner. We are motivated by applications where response varies by individuals and therefore, estimating responses at the individual-level is valuable for personalizing decision-making. We refer to this as the problem of estimating individualized treatment response (ITR) curves. In statistics, G-computation formula (Robins, 1986) has been commonly used for estimating treatment responses from observational data containing sequential treatment assignments. However, past studies have focused predominantly on obtaining point-in-time estimates at the population level. We leverage the G-computation formula and develop a novel Bayesian nonparametric (BNP) method that can flexibly model functional data and provide posterior inference over the treatment response curves at both the individual and population level. On a challenging dataset containing time series from patients admitted to a hospital, we estimate responses to treatments used in managing kidney function and show that the resulting fits are more accurate than alternative approaches. Accurate methods for obtaining ITRs from observational data can dramatically accelerate the pace at which personalized treatment plans become possible.

研究の動機と目的

• 治療方針が不明な状況下で、時系列データから連続的で個別レベルの治療反応曲線を推定すること。
• 現在の手法が時点別集団レベルの推定に限定されているという限界を是正すること。
• 個々の被験者間で異なる治療効果をモデル化しつつ、被験者間で情報の共有を図ること。
• 95%信用区間を含む完全な後部確信度推定を提供し、個別予測の不確実性を定量化すること。

提案手法

• 時間経過に伴う縦断的アウトカムを柔軟にモデル化するため、ガウス過程事前分布を用いたベイジアン非パラメトリックフレームワークを採用する。
• 個々の被験者間で情報共有を図りつつ、個別に特化した治療反応曲線を許容するため、階層的事前分布を適用する。
• 観察的データにおける時変動共変量の影響を補正するために、G-計算式を用いる。
• 治療効果を時間および投与量の関数としてモデル化し、連続的な反応推定を可能にする。
• 個別および集団レベルの治療反応曲線の完全な後部分布を取得するために、マルコフ連鎖モンテカルロ（MCMC）サンプリングを用いる。
• 腎機能SOFAスコアや合併症などの共変量を組み込み、個別に特化したベースライン進行状況および治療反応を支援する。

実験結果

リサーチクエスチョン

• RQ1 スパarselyで不規則にサンプリングされた観察的時系列データから、ベイジアン非パラメトリックモデルが正確に個別化された治療反応曲線を推定できるか？
• RQ2 提案手法は、集団レベルおよび個別レベルのベースラインモデルと比較して、予測精度でどのように優れているか？
• RQ3 腎機能に差がある患者群において、治療効果の異質性をどの程度モデルが捉えられるか？
• RQ4 限られたデータ条件下でも、個別予測の不確実性をどの程度正確に定量化できるか？
• RQ5 被験者間で情報共有が可能であるというモデルの特徴が、観察数が少ない被験者の性能向上に寄与するか？

主な発見

• 提案されたITRモデルは、集団レベル（Pop）モデルおよび3つのベースラインモデルと比較して、平均予測誤差が顕著に低く抑えられ、統計的に有意な改善を示した。
• データがスパarselyな状況では、ITRモデルが情報共有を効果的に行うため、個別レベルモデルよりも低い予測誤差を達成した。
• より多くのデータが得られるようになると、個別レベルモデルの性能は向上するが、依然としてITRモデルに劣り、優れた柔軟性と正確性を維持した。
• 定性的な結果から、ITRの予測は臨床的期待に適合しており、例えば、ベースライン腎機能が良好な患者では低用量のラシキサがより効果的であるという事実と整合的である。
• モデルは、AKIまたはCKDを有する患者は利尿薬に対して耐性を示す傾向があること、反応性が高い患者は透析を要する可能性が低いことを明らかにした。
• ITRが推定する治療反応曲線は、腎機能が悪化するに従い利尿薬の効果が低下する傾向を示しており、臨床的知識と整合的である。