[論文レビュー] A Bayesian Nonparametric Approach for Evaluating the Causal Effect of Treatment in Randomized Trials with Semi-Competing Risks

Yanxun Xu, Daniel O. Scharfstein+2 more|arXiv (Cornell University)|Mar 20, 2019

Advanced Causal Inference Techniques参考文献 29被引用数 4

ひとこと要約

本稿では、半競合リスクを伴う無作為化試験における治療の非終末的イベントへの因果効果を推定するためのベイジアン非パラメトリックアプローチを提案する。主な戦略として、識別性を確保するための感度パラメータを用いた主な群戦略と、観察データ分布の柔軟なモデリングによる頑健な推論を採用している。臨床試験において、この手法はモデルの適合度と信頼区間の因果推定が、単純なアプローチを上回ることを示しており、脳腫瘍試験において優れた性能を発揮した。

ABSTRACT

We develop a Bayesian nonparametric (BNP) approach to evaluate the causal effect of treatment in a randomized trial where a nonterminal event may be censored by a terminal event, but not vice versa (i.e., semi-competing risks). Based on the idea of principal stratification, we define a novel estimand for the causal effect of treatment on the nonterminal event. We introduce identification assumptions, indexed by a sensitivity parameter, and show how to draw inference using our BNP approach. We conduct simulation studies and illustrate our methodology using data from a brain cancer trial.

研究の動機と目的

• 無作為化試験において、終末的イベント（例：死亡）が進行の観察を妨げる状況下で、非終末的アウトカムに対する因果効果を推定する課題に対処すること。
• 半競合リスク下で、治療と対照下の両方において進行が観察可能であると想定されるサブグループに焦点を当てた、主な群戦略に基づく新しい因果推定量を定義すること。
• ベースライン共変量を扱い、識別性を感度パラメータを用いて確保する、柔軟なベイジアン非パラメトリックモデルを開発すること。
• フェーズIIの脳腫瘍試験におけるシミュレーションと実データ解析を通じて、本手法の性能を評価すること。
• モデルの誤指定下でも不確実性の定量的評価と予測的推論を可能にする、頑健な因果推論フレームワークを提供すること。

提案手法

• 主な群戦略を用いた、時間に依存する相対危険度に基づく因果推定量を提案し、治療と対照下の両方で進行が観察可能であると想定されるサブグループに焦点を当てる。
• 非識別性を解消するため、治療下と対照下での生存の相関を表す感度パラメータ ρ でインdex付けられた識別仮定を導入する。
• 観察された故障時刻とベースライン共変量の同時分布を柔軟にモデリングするため、従属ディリクレ過程（DDP）事前分布を採用し、データ分布の非パラメトリック推定を可能にする。
• 事後分布の要約を用いて因果推定量の推論を行う。また、ρ に対する事前分布を組み込むことで、統合的な不確実性の定量的評価が可能となる。
• 219名の患者を含む脳腫瘍試験に本手法を適用し、事後予測チェックと対数仮想周辺尤度（LPML）によるモデル適合度評価を実施する。
• ρ の複数の値（0.2、0.5、0.8）における感度分析を実施し、未観測の依存性に関する仮定に依存する結果の頑健性を評価する。

実験結果

リサーチクエスチョン

• RQ1 半競合リスクが存在する状況下で、進行に対する治療効果の有効な因果推定量をどのように定義できるか？
• RQ2 観察可能なデータ分布と因果推定量を結びつけるために必要な識別仮定は何か？ そして、それらはどのようにパrameter化できるか？
• RQ3 ベイジアン非パラメトリック手法は、この文脈における故障時刻と共変量の同時分布をどのようにモデリングできるか？
• RQ4 本手法は、標準的手法と比較して、モデルの適合度と因果効果推定の両面で優れているか？
• RQ5 因果効果推定値は、感度パラメータ ρ の選択にどれほど敏感か？

主な発見

• BNP手法では、365日後の生存率の事後推定差が6.2％（95％信頼区間：-1.2％〜13.3％）であったのに対し、Kaplan-Meier推定では2.6％であった。これは、治療群の生存率推定値が高くなる傾向を示している。
• ナイーブ手法では、治療差の推定値が8.4％（95％信頼区間：0.2％〜17.9％）に上昇したが、対照群の生存率推定値はKaplan-Meierより低かった。
• LPML比較により、BNPモデルはナイーブモデルよりも高い適合度を示した。LPML値は、治療群で-144（BNP）対 -161（ナイーブ）、対照群で-137（BNP）対 -174（ナイーブ）であった。
• 因果推定量 τ(u) の事後推定値は、u=0付近を除き、全時間点で治療群の進行リスクが低かったが、95％信用区間が広く、高い不確実性を示していた。
• 感度パラメータ ρ の値（0.2、0.5、0.8）を変更しても、事後推定値の差は最小限に抑えられ、結果の頑健性が確認された。
• BNPモデルは、生存データおよび進行データの両方に対して、より優れた適合度を示した。LPMLは治療群で-227（BNP）対 -232（ナイーブ）、対照群で-215（BNP）対 -214（ナイーブ）であった。