[論文レビュー] Causal Inference for Comprehensive Cohort Studies

Yi Lu, Daniel O. Scharfstein+3 more|arXiv (Cornell University)|Oct 8, 2019

Advanced Causal Inference Techniques参考文献 37被引用数 10

ひとこと要約

本稿は、患者が最初に無作為化を提示され、拒否された場合に観察研究に参加する包括的コhort研究（CCS）における因果推論のための、半パラメトリックで効率的かつロバストな推定量を提案する。サンプル分割理論とヌイアンス関数の一般化加法モデルを用いて、さまざまな無交絡性仮定の下で2つの主要な推定量を推定する：全被験者を対象とした包括的コhort因果効果と、無作為化された被験者に限ったランダム化試験因果効果。この手法は、内部妥当性を保ちながら一般化性を向上させる。

ABSTRACT

In a comprehensive cohort study of two competing treatments (say, A and B), clinically eligible individuals are first asked to enroll in a randomized trial and, if they refuse, are then asked to enroll in a parallel observational study in which they can choose treatment according to their own preference. We consider estimation of two estimands: (1) comprehensive cohort causal effect -- the difference in mean potential outcomes had all patients in the comprehensive cohort received treatment A vs. treatment B and (2) randomized trial causal effect -- the difference in mean potential outcomes had all patients enrolled in the randomized trial received treatment A vs. treatment B. For each estimand, we consider inference under various sets of unconfoundedness assumptions and construct semiparametric efficient and robust estimators. These estimators depend on nuisance functions, which we estimate, for illustrative purposes, using generalized additive models. Using the theory of sample splitting, we establish the asymptotic properties of our proposed estimators. We also illustrate our methodology using data from the Bypass Angioplasty Revascularization Investigation (BARI) randomized trial and observational registry to evaluate the effect of percutaneous transluminal coronary balloon angioplasty versus coronary artery bypass grafting on 5-year mortality. To evaluate the finite sample performance of our estimators, we use the BARI dataset as the basis of a realistic simulation study.

研究の動機と目的

• 治療効果推定におけるRCTの内部妥当性と観察研究の外部妥当性の両立のジレンマに対処すること。
• 2つの因果推定量を推定すること：包括的コhort因果効果（全被験者）とランダム化試験因果効果（無作為化された被験者のみ）。
• さまざまな無交絡性仮定の下で、半パラメトリックで効率的かつロバストな推定量を開発すること。
• 因果同定を保ちながら、無作為化と観察の両成分から情報を借りることで一般化性を向上させること。
• 実世界のBARI試験データを用いたシミュレーションにより性能を検証すること。

提案手法

• 包括的コhort因果効果とランダム化試験因果効果の2つの因果推定量のための半パラメトリック推定量を提案する。
• 弱い正則性条件の下で推定量の漸近正規性とロバスト性を確立するために、サンプル分割を用いる。
• ヌイアンス関数（例：適合度スコア、アウトカム回帰）の推定に一般化加法モデルを用い、二重ロバスト性を実現する。
• 異なる無交絡性仮定（A1, A2, A3）の下で逆確率重み付けとアウトカム回帰補正を適用する。
• 両方の無作為化および観察のデータを統合する推定方程式を導出することで、効率性とバイアス補正を向上させる。
• ヌイアンス関数が機械学習で推定されても、漸近正規性と有効な推論が保証されるようクロスフィッティングを用いる。

実験結果

リサーチクエスチョン

• RQ1 無作為化と観察データを統合した包括的コhort研究において、2つの代替治療の因果効果をどのように推定できるか。
• RQ2 包括的コhort因果効果とランダム化試験因果効果が、観察データから同定可能となる条件は何か。
• RQ3 このハイブリッドデザインにおいて、モデル誤指定に対してロバストでかつ効率的な推定量をどのように構築できるか。
• RQ4 BARI試験のような現実的状況において、これらの推定量の有限標本性能はいかがなものか。
• RQ5 RCTと観察成分間で情報を借りることで、それらを別々に分析する場合と比べて推定性能がどのように向上するか。

主な発見

• 提案された推定量は、A1, A2, A3を含むさまざまな無交絡性仮定の下で、半パラメトリックな効率性とロバスト性を達成する。
• 包括的コhort因果効果推定量は、全被験者を組み込むことで一般化性が向上するが、因果同定を維持する。
• ランダム化試験因果効果推定量は、RCTの内部妥当性を保ちながら、類似の将来の被験者への一般化を自信を持って行える。
• BARIデータセットに基づくシミュレーション研究では、推定量が適切な信頼区間のカバレッジを示し、良好な有限標本性能を示す。
• サンプル分割とヌイアンス関数の一般化加法モデルの使用により、アウトカムまたは適合度スコアモデルがやや誤指定されても、有効な推論が可能になる。
• 本手法は包括的コhort研究の両方の側面のデータを効果的に統合し、別々に分析する場合と比較してバイアスを低減し、精度を向上させる。