[論文レビュー] Inference for treatment-specific survival curves using machine learning

Ted Westling, Alex Luedtke+2 more|arXiv (Cornell University)|Jun 11, 2021

Advanced Causal Inference Techniques被引用数 4

ひとこと要約

本稿では、機械学習を用いて条件付き生存関数を推定することで、弱い正則性条件のもとで一貫性と漸近正規性を保証する、処置特異的生存曲線のクロスフィットド二重ロバスト推定量を提案する。この手法により、連続的または離散的な時間における有効な推論が可能となり、複数の生存推定量を組み合わせる新しいアンサンブル学習手法を含む。この手法は、交絡が存在する観察研究における頑健性と効率性を向上させる。

ABSTRACT

In the absence of data from a randomized trial, researchers often aim to use observational data to draw causal inference about the effect of a treatment on a time-to-event outcome. In this context, interest often focuses on the treatment-specific survival curves; that is, the survival curves were the entire population under study to be assigned to receive the treatment or not. Under certain causal conditions, including that all confounders of the treatment-outcome relationship are observed, the treatment-specific survival can be identified with a covariate-adjusted survival function. Several estimators of this function have been proposed, including estimators based on outcome regression, inverse probability weighting, and doubly robust estimators. In this article, we propose a new cross-fitted doubly-robust estimator that incorporates data-adaptive (e.g. machine learning) estimators of the conditional survival functions. We establish conditions on the nuisance estimators under which our estimator is consistent and asymptotically linear, both pointwise and uniformly in time. We also propose a novel ensemble learner for combining multiple candidate estimators of the conditional survival estimators. Notably, our methods and results accommodate events occurring in discrete or continuous time (or both). We investigate the practical performance of our methods using numerical studies and an application to the effect of a surgical treatment to prevent metastases of parotid carcinoma on mortality.

研究の動機と目的

• 交絡が存在する観察研究において、処置特異的生存曲線の二重ロバスト推定量を開発すること。
• 条件付き生存関数を推定するためのデータ適応的機械学習手法を組み込み、モデル誤指定に対する頑健性を向上させること。
• 時間にわたる一様漸近線形性とガウス過程への弱収束を確立し、推論を可能にすること。
• 離散的および連続的な時間発生結果を統一的な枠組みで取り扱うこと。
• 複数の候補推定量の条件付き生存関数を組み合わせるアンサンブル学習戦略を提案し、性能を向上させること。

提案手法

• 機械学習ベースのネイズ推定量における過学習を低減するためのクロスフィットを用い、漸近正規性を保証する。
• アウトカム回帰と逆確率重み付けを組み合わせた二重ロバスト推定方程式を採用し、条件付き生存関数または右打ち切りメカニズムのいずれかが一貫して推定されれば、推定量は一貫性を保つ。
• 観察されたイベントインジケーターと逆確率重みを含む推定方程式の最小化を通じて、条件付き生存関数を推定するための損失関数を導出する。
• 積分と条件付き期待値の順序交換を正当化するため、Fubiniの定理を適用し、推定方程式の有効性を保証する。
• 複数の候補推定量の条件付き生存関数を組み合わせるアンサンブル学習手法を導入し、頑健性と効率性を向上させる。
• 最終推定量が時間にわたって一様に漸近線形であり、弱収束する条件を確立し、信頼区間や仮説検定の有効な構築を可能にする。

実験結果

リサーチクエスチョン

• RQ1 条件付き生存関数の機械学習ベース推定量を用いて、有効な推論が可能な処置特異的生存曲線の二重ロバスト推定量を構築できるか？
• RQ2 どのような正則性条件下で、提案された推定量が時間にわたって一様漸近線形性を示すか？
• RQ3 アンサンブル学習を活用して、複数の生存推定量を組み合わせつつ、二重ロバスト性と漸近正規性を保持できるか？
• RQ4 イベントが離散的または連続的な時間に発生する場合でも、この手法は一貫性と有効な推論を維持するか？
• RQ5 柔軟な機械学習手法をネイズ推定に用いても、パラメトリック収束速度を達成できるか？

主な発見

• 提案されたクロスフィットド二重ロバスト推定量は、弱い正則性条件のもとで一様漸近線形性を示し、時間全体にわたる有効な推論を可能にする。
• 推定量はタイトな平均ゼロのガウス過程に弱収束するため、生存曲線の信頼区間の構築が可能である。
• 条件付き生存関数または右打ち切りメカニズムのいずれかが一貫して推定されれば、推定量は一貫性を保つため、モデル誤指定に対して頑健である。
• アンサンブル学習手法は複数の候補推定量を効果的に組み合わせ、有限標本における性能を向上させつつ理論的保証を損なわない。
• 理論的結果は、離散的および連続的な時間発生結果の両方に対して成り立つため、実世界のデータへの応用範囲が広がる。
• 数値実験および副腫瘍切除術の実データ応用を通じて、本手法の実用的有用性と、既存手法に対する優れた性能が示された。