[論文レビュー] Adaptive Weight Learning for Multiple Outcome Optimization With Continuous Treatment

Chang Wang, Lu Wang|arXiv (Cornell University)|Feb 16, 2024

Total Knee Arthroplasty OutcomesMedicine被引用数 3

ひとこと要約

本稿では、連続的処置と複数の競合する結果を伴う個別化治療路線（ITR）に対して、新たな適応的重み学習手法を提案する。観察データから患者固有の効用重みと処置意思決定ルールを同時に推定することで、合成結果のデータ駆動型最適化を可能にするとともに、推論と変数選択を支援する。

ABSTRACT

To promote precision medicine, individualized treatment regimes (ITRs) are crucial for optimizing the expected clinical outcome based on patient-specific characteristics. However, existing ITR research has primarily focused on scenarios with categorical treatment options and a single outcome. In reality, clinicians often encounter scenarios with continuous treatment options and multiple, potentially competing outcomes, such as medicine efficacy and unavoidable toxicity. To balance these outcomes, a proper weight is necessary, which should be learned in a data-driven manner that considers both patient preference and clinician expertise. In this paper, we present a novel algorithm for developing individualized treatment regimes (ITRs) that incorporate continuous treatment options and multiple outcomes, utilizing observational data. Our approach assumes that clinicians are optimizing individualized patient utilities with sub-optimal treatment decisions that are at least better than random assignment. Treatment assignment is assumed to directly depend on the true underlying utility of the treatment rather than patient characteristics. The proposed method simultaneously estimates the weighting of composite outcomes and the decision-making process, allowing for construction of individualized treatment regimes with continuous doses. The proposed estimators can be used for inference and variable selection, facilitating the identification of informative treatment assignments and preference-associated variables. We evaluate the finite sample performance of our proposed method via simulation studies and apply it to a real data application of radiation oncology analysis.

研究の動機と目的

• 個別化治療路線（ITR）研究におけるギャップを埋めるために、連続的処置オプションと複数の、しばしば対立する結果を含む方法への拡張を行う。
• しばしば事前に指定されており、患者の好みや臨床医の専門的知識に適合しない既存の合成効用関数の限界を克服する。
• 観察研究において、患者の好みと臨床的判断を反映するデータ駆動型の結果重みを学習するアプローチを開発する。
• 連続投与を伴う個別化治療戦略の最適化を目的として、処置意思決定ルールと結果重みを同時に推定する。
• 治療反応と好みの主要な予測要因を同定するための統計的推論と変数選択を可能にする。

提案手法

• 処置割り当てを、患者の未観測の効用に依存する関数としてモデル化する疑似尤度推定フレームワークを提案する。この効用は、患者の特徴と処置結果の両方に依存する。
• 合成結果の重み関数と処置意思決定ルールを、統合尤度アプローチを用いて同時に推定する。
• 対数尤度の二次近似を用いて、推定パラメータの漸近正規性と推論を導出する。
• 患者の共変量のパrameter化された変換を通じて個別化された好みを捉える、柔軟で非パラメトリックな重み関数 w(θ) を組み込む。
• 経験過程理論とマルティングール中心極限定理を用いて、推定量の漸近的性質を確立する。
• 処置効果と重みパラメータの統合推定量の漸近的線形展開を導出し、標準誤差と仮説検定を可能にする。

実験結果

リサーチクエスチョン

• RQ1 処置が連続的であり、効果性と毒性などの複数の結果をバランスさせる必要がある状況で、個別化治療路線をどのように最適化できるか？
• RQ2 事前に指定されたまたは専門家が与えた効用関数を必要とせず、患者固有の結果重みを学習するロバストでデータ駆動型の方法は何か？
• RQ3 観察データから、最適な処置ルールと結果重みを同時に学習する統合推定フレームワークは可能か？
• RQ4 この統合推定設定において、統計的推論と変数選択をどのように行えるか？
• RQ5 連続投与を伴う現実的な臨床状況において、提案手法の有限標本性能はいかがなものか？

主な発見

• やや厳しい正則性条件のもとで、処置意思決定ルールと結果重みの両方の推定が一貫していることを示した。
• 処置効果と重みパラメータの統合推定量は漸近的に正規分布に従い、妥当な推論と信頼区間の構築が可能である。
• 重み関数パラメータの推定を通じて変数選択を支援し、治療反応と好みに関連する共変量を同定できる。
• シミュレーション研究では、処置効果推定における平均二乗誤差と信頼区間のカバレッジ確率の両面で、既存手法を上回ることを示した。
• 実際の放射線腫瘍学の応用では、腫瘍コントロールと毒性結果の両方をバランスさせる最適な投与量を同定できた。
• モデルの誤指定に対してもロバストであり、有限標本設定でも中程度のサンプルサイズでも良好な性能を示した。