[論文レビュー] Evidence Aggregation for Treatment Choice

Takuya Ishihara, Toru Kitagawa|arXiv (Cornell University)|Aug 14, 2021

Health Systems, Economic Evaluations, Quality of Life被引用数 5

ひとこと要約

本稿は、標的集団に関する直接的なデータが入手できない状況において、複数の外部研究からの証拠を集約する最小最大後悔意思決定ルールを提案する。意思決定者による意思決定を社会的厚生を目的関数とする統計的意思決定問題として定式化することで、最大後悔を最小化するように外部研究の推定値を最適に重み付けし、モデルの不確実性下でもプラグインルールを上回る厚生後悔性能を達成する。

ABSTRACT

Consider a planner who has limited knowledge of the policy's causal impact on a certain local population of interest due to a lack of data, but does have access to the publicized intervention studies performed for similar policies on different populations. How should the planner make use of and aggregate this existing evidence to make her policy decision? Following Manski (2020; Towards Credible Patient-Centered Meta-Analysis, extit{Epidemiology}), we formulate the planner's problem as a statistical decision problem with a social welfare objective, and solve for an optimal aggregation rule under the minimax-regret criterion. We investigate the analytical properties, computational feasibility, and welfare regret performance of this rule. We apply the minimax regret decision rule to two settings: whether to enact an active labor market policy based on 14 randomized control trial studies; and whether to approve a drug (Remdesivir) for COVID-19 treatment using a meta-database of clinical trials.

研究の動機と目的

• 標的集団に関する直接的な因果的データが入手できない状況において、証拠に基づく政策意思決定を下す課題に対処すること。
• 標的集団の社会的厚生を最適化するように、外部研究の証拠を集約する意思決定ルールを開発すること。
• 平均処置効果の推定ではなく、最大後悔を最小化することに焦点を当てた統計的意思決定理論の枠組みで問題を形式化すること。
• 階層ベイズメタ回帰や平均二乗誤差最適予測に基づくプラグインルールと比較して、提案された最小最大後悔ルールの厚生後悔性能を評価すること。
• 提案手法の解析的性質、計算上の実行可能性、および現実の政策応用における厚生後悔性能を評価すること。

提案手法

• 意思決定者が潜在的な真の処置効果のすべての状況において最大の後悔を最小化することを目的とする最小最大後悔基準に基づき、処置選択問題を統計的意思決定問題として定式化する。
• 真の処置効果の妥当な集合上で最大後悔を最小化するように導かれる重みを用いて、外部研究の推定値を重み付きで集約するルールを導入する。
• 最大後悔を特徴付ける重要な関数η(a)を導入し、η(0) ≈ 0.227と√(1 + a²)の間で有界となるようにし、解析的取り扱いの容易さを確保する。
• 標準正規分布およびミルズ比の性質を用いて、後悔関数の解析的境界を導出する。
• 偏りと分散のバランスを最適化する凸最適化問題を解くことで、最小最大後悔重みを計算する。
• 2つの現実世界の応用例に本手法を適用：14件のRCTを用いた労働市場政策と、臨床試験のメタデータベースを用いたレムデシビルのCOVID-19に対する承認。

実験結果

リサーチクエスチョン

• RQ1 直接的な標的集団データが欠如する状況において、複数の外部研究からの証拠をどのように最適に集約できるか。
• RQ2 モデルの不確実性とデータの制限下で、治療選択における最悪ケースの後悔を最小化する意思決定ルールは何か。
• RQ3 厚生後悔という観点から、階層ベイズメタ回帰やMSE最適予測に基づくプラグインルールと比較して、最小最大後悔ルールはどのように性能を発揮するか。
• RQ4 提案された証拠集約手法の解析的および計算的性質は何か。
• RQ5 最小最大後悔ルールは、例えば労働市場干渉や医薬品承認といった現実の政策意思決定に実際的に適用可能か。

主な発見

• 最小最大後悔意思決定ルールは、最大後悔が√(b²(w) + s²(w))で上界され、下界がη(0) × √(b²(w) + s²(w))で与えられるという、有界な後悔性能を達成する。ここでη(0) ≈ 0.227である。
• 提案されたルールは、階層ベイズメタ回帰やMSE最適予測に基づくプラグインルールを、最悪ケースの後悔性能という観点から上回る。
• 最小最大後悔重みは計算上実行可能であり、凸最適化により導出可能であるため、実用的応用が可能である。
• 14件のRCTを用いた労働市場政策への応用において、本手法は最悪の結果にさらされるリスクを最小化する、頑健な意思決定ルールを提供する。
• レムデシビルのケーススタディでは、外部研究の異質性に関する不確実性が存在する中でも、データ駆動型かつ後悔最小化の政策的勧告を支援する。
• 後悔関数は凸であり、最適な重みは最大後悔を最小化するように導かれるため、モデルの誤指定に対しても頑健である。