[論文レビュー] Federated Adaptive Causal Estimation (FACE) of Target Treatment Effects

Larry Han, Jue Hou+3 more|arXiv (Cornell University)|Dec 17, 2021

Advanced Causal Inference Techniques被引用数 10

ひとこと要約

FACEは、複数の異種の施設から得られるデータを適応的に統合することで、ターゲット平均処置効果（TATE）をより精度よくかつ頑健に推定するフェデレーテッド因果推論フレームワークである。密度比重み付けと罰則付き回帰を用いた適応的サイト重み付けにより、FACEは高い効率性を達成し、負の転送を回避し、実際のCOVID-19ワクチン研究において5つのVA施設で標準誤差を26–67％削減した。

ABSTRACT

Federated learning of causal estimands may greatly improve estimation efficiency by leveraging data from multiple study sites, but robustness to heterogeneity and model misspecifications is vital for ensuring validity. We develop a Federated Adaptive Causal Estimation (FACE) framework to incorporate heterogeneous data from multiple sites to provide treatment effect estimation and inference for a flexibly specified target population of interest. FACE accounts for site-level heterogeneity in the distribution of covariates through density ratio weighting. To safely incorporate source sites and avoid negative transfer, we introduce an adaptive weighting procedure via a penalized regression, which achieves both consistency and optimal efficiency. Our strategy is communication-efficient and privacy-preserving, allowing participating sites to share summary statistics only once with other sites. We conduct both theoretical and numerical evaluations of FACE and apply it to conduct a comparative effectiveness study of BNT162b2 (Pfizer) and mRNA-1273 (Moderna) vaccines on COVID-19 outcomes in U.S. veterans using electronic health records from five VA regional sites. We show that compared to traditional methods, FACE meaningfully increases the precision of treatment effect estimates, with reductions in standard errors ranging from $26\%$ to $67\%$.

研究の動機と目的

• 異種の医療施設間で、ターゲット平均処置効果（TATE）を頑健かつ効率的に推定できるフェデレーテッド因果推論フレームワークの開発を目的とする。
• 共変量シフト、モデル不適合、データ共有制限といった、マルチサイト因果推論の課題に対処することを目的とする。
• 罰則付き回帰を用いて、不適合またはバイアスのあるソースサイトを適応的に低重み化することで、負の転送を防止することを目的とする。
• 通信効率性とプライバシーを確保するため、サイト間で要約統計のみを共有することを目的とする。
• 特定の医療機関や関心のあるサブポピュレーションを含む、柔軟なターゲット集団の指定を可能とすることを目的とする。

提案手法

• FACEは、共変量分布の施設レベルの不均一性を補正するために密度比重み付けを用いる。
• 一貫性と最適な効率性を保証するため、罰則付き回帰に基づく適応的重み付け手順を用いて、ソースサイトからの推定器を選択および結合する。
• フレームワークは、サイト固有の有効推定量の線形結合としてグローバル推定量を構築し、分散を最小化する重みを設定する。
• 通信効率性が高く、プライバシーを保つために、サイト間で要約統計を一度だけ共有する。
• 影響関数と二重にロバストな推定を活用することで、モデル不適合に対する頑健性を向上させる。
• 理想的な状況下、すべてのソースサイトが適合している場合、推定量は漸近的に半パラメトリック効率限界に達する。

Figure 1 : Setting 1. Bias, RMSE, coverage, and length of $95\%$ CI’s of the target-only, SS, FACE, exponentially-tilted AIPW, and IVW estimators of the TATE across 500 simulations with misspecified density ratio models.

実験結果

リサーチクエスチョン

• RQ1 複数の医療施設から得られる異種の観察データをどのように統合し、特定のターゲット集団の処置効果を推定できるか？
• RQ2 フェデレーテッド因果推論において、モデル不適合に対する頑健性を確保し、負の転送を回避するための適応的重み付け戦略は何か？
• RQ3 フェデレーテッド因果推定は、従来の単一サイト手法と比較して、どの程度推定精度を向上させられるか？
• RQ4 分散データソース間での共同因果推論を可能にする一方で、プライバシーや通信効率をどのように維持できるか？
• RQ5 このフレームワークは、観察データとランダム化比較試験データの両方を含む設定へ拡張可能か？

主な発見

• 実際の米国退役軍人におけるmRNAワクチン研究において、FACEは従来手法と比較して処置効果推定の標準誤差を26％から67％まで削減した。
• 適応的重み付け手順により、不適合またはバイアスのあるソースサイトが適切に低重み化され、負の転送が防止された。
• 罰則付き回帰に基づく選択メカニズムを用いて、複数のサイトからの推定量を最適に組み合わせることで、FACEは高い推定効率を達成した。
• 共変量シフトやモデル不適合が生じても、フレームワークは頑健性と一貫性を維持した。
• 5つのVA地域施設の電子的健康記録を用いた実世界応用において、実用的有用性が実証された。
• FACEは、ランダム化比較試験データを含む設定へも拡張可能であり、類似集団からの観察データを活用することで、処置効果推定の分散を低減できる。

Figure 2 : FACE ensemble weights $\widehat{\boldsymbol{\eta}}$ for each site across eight sparsity levels