[論文レビュー] Heterogeneous Treatment Effect Estimation using machine learning for Healthcare application: tutorial and benchmark

Yaobin Ling, Pulakesh Upadhyaya+3 more|arXiv (Cornell University)|Sep 27, 2021

Advanced Causal Inference Techniques参考文献 62被引用数 7

ひとこと要約

本稿は、医療応用を念頭に置いた機械学習を用いた異質的治療効果（HTE）推定を紹介し、実世界の請求データを用いたチュートリアルおよびベンチマークを提供する。複数の機械学習モデルを個人向け治療効果予測に適用して評価し、ドラッグリポurposeや臨床意思決定支援における実現可能性と解釈可能性を示している。

ABSTRACT

Developing new drugs for target diseases is a time-consuming and expensive task, drug repurposing has become a popular topic in the drug development field. As much health claim data become available, many studies have been conducted on the data. The real-world data is noisy, sparse, and has many confounding factors. In addition, many studies have shown that drugs effects are heterogeneous among the population. Lots of advanced machine learning models about estimating heterogeneous treatment effects (HTE) have emerged in recent years, and have been applied to in econometrics and machine learning communities. These studies acknowledge medicine and drug development as the main application area, but there has been limited translational research from the HTE methodology to drug development. We aim to introduce the HTE methodology to the healthcare area and provide feasibility consideration when translating the methodology with benchmark experiments on healthcare administrative claim data. Also, we want to use benchmark experiments to show how to interpret and evaluate the model when it is applied to healthcare research. By introducing the recent HTE techniques to a broad readership in biomedical informatics communities, we expect to promote the wide adoption of causal inference using machine learning. We also expect to provide the feasibility of HTE for personalized drug effectiveness.

研究の動機と目的

• 機械学習における因果推論手法と実世界の医療応用の間のギャップを埋めること。
• 実世界の管理請求データを用いた異質的治療効果（HTE）推定の実現可能性を評価すること。
• 生物医療情報学の研究者に対して、HTE手法を医療研究に応用するための実用的チュートリアルを提供すること。
• 医療文脈におけるHTE推定のための複数の機械学習モデルをベンチマークすること。
• 臨床的および翻訳的研究環境におけるHTEモデルの解釈と評価を支援すること。

提案手法

• 本研究では、ダブルマシンラーニング、因果フォレスト、ディープラーニングベースのアプローチを含む、最新の機械学習モデルをHTE推定に用いる。
• モデルは、患者の共変量、治療露出、結果を表す特徴量を備えた実世界の医療請求データ上で訓練される。
• 潜在的アウトカムモデリングを用いて、交絡要因を考慮した個別レベルの治療効果を推定するフレームワークが採用される。
• 反事後的アウトカムに対する平均二乗誤差（MSE）および決定係数（R-squared）などの指標を用いて、モデルのパフォーマンスを評価する。
• 二段階推定プロセスが適用される：まず、アウトカムおよび感受性スコアモデルを訓練し、次に残差ベースの手法を用いて治療効果を推定する。
• 妥当性と一般化可能性を確保するため、きめ細かなハイパーパramータチューニングと交差検証が実施される。

実験結果

リサーチクエスチョン

• RQ1 機械学習ベースのHTE推定は、実世界の医療請求データに効果的に適用可能か？
• RQ2 異なるHTEモデルは、医療ベンチマークにおいて、正確性と安定性の観点でどのように比較されるか？
• RQ3 ノイズが多く、スパースで、交絡要因が存在する実世界データにHTE手法を適用する際の主な課題は何か？
• RQ4 臨床研究環境において、HTEモデルをどのように解釈し、意味的に評価できるか？
• RQ5 HTE推定は、パーソナライズド医療の有効性予測およびドラッグリポ purpose にどの程度貢献できるか？

主な発見

• 本研究では、機械学習ベースのHTEモデルが実世界の請求データにおいて意味のあるパフォーマンスを達成できることを示した。一部のモデルは従来の手法を上回った。
• 因果フォレストおよびダブルMLモデルは、多様な患者サブグループにわたる異質的治療効果の推定において、優れたロバストネスと低いバイアスを示した。
• データ品質に応じてモデルのパフォーマンスに顕著な差が見られ、高頻度疾患やノイズの少ないデータセットではより良い結果が得られた。
• SHAP値のような解釈ツールが、臨床医が予測された治療効果に最も影響を与える患者特徴を理解するのに役立った。
• ベンチマークの結果から、特定の結果に対して一貫して優れたパフォーマンスを示すモデルは存在せず、データ特性に応じたモデル選択の重要性が浮き彫りになった。
• 結果は、実世界の医療環境においてHTE推定をパーソナライズド医療およびドラッグリポ purpose に活用する可能性を支持している。