[論文レビュー] Learning Optimal Personalized Treatment Rules Using Robust Regression Informed K-NN

Ruidi Chen, Ioannis Ch. Paschalidis|arXiv (Cornell University)|Nov 14, 2018

Machine Learning in Healthcare参考文献 12被引用数 4

ひとこと要約

本稿では、電子的健康記録（EHR）を用いて最適な個人化された治療法を学習する、頑健で解釈可能な手法を提案する。この手法は、正則化された最小絶対偏差（RLAD）回帰とK-近傍法（K-NN）を組み合わせ、結果の予測を実施する。RLADを用いて特徴量の重みを推定し、頑健な距離尺度を構築することで、安定した局所的な非線形予測を実現する。さらに、予測結果の指数関数を逆数にした確率に基づく確率的処方方針を適用し、標準的ケアを上回るHbA1cの低下と高血圧症における収縮期血圧の制御を達成する。

ABSTRACT

We develop a prediction-based prescriptive model for learning optimal personalized treatments for patients based on their Electronic Health Records (EHRs). Our approach consists of: (i) predicting future outcomes under each possible therapy using a robustified nonlinear model, and (ii) adopting a randomized prescriptive policy determined by the predicted outcomes. We show theoretical results that guarantee the out-of-sample predictive power of the model, and prove the optimality of the randomized strategy in terms of the expected true future outcome. We apply the proposed methodology to develop optimal therapies for patients with type 2 diabetes or hypertension using EHRs from a major safety-net hospital in New England, and show that our algorithm leads to a larger reduction of the HbA1c, for diabetics, or systolic blood pressure, for patients with hypertension, compared to the alternatives. We demonstrate that our approach outperforms the standard of care under the robustified nonlinear predictive model.

研究の動機と目的

• EHRに内在するノイズ、欠損データ、非線形性に対処し、最適な治療法を学習すること。
• 計算効率が良く、解釈可能な個人化医療の手法を構築し、標準的ケアを上回ること。
• 臨床データにおける外れ値や分布シフトに対して頑健であること。
• 確率的処方方針のサンプル外性能および最適性に関する理論的保証を提供すること。
• 標準的ケアが不明または曖昧な状況への応用を可能にすること。

提案手法

• 外れ値に対する耐性を高めるために、絶対偏差を最小化する正則化LAD（RLAD）問題を用いて、頑健な線形係数を推定する。
• RLAD係数の二乗を重みとして用い、K-NNのための重み付き距離尺度を構築し、結果の予測に最も寄与する特徴量を強調する。
• 各治療群におけるK番目に近い近傍の結果を平均することで、各治療法における将来の結果を予測する。
• 治療確率を予測結果の指数関数の逆数に比例させる確率的処方方針を適用し、探索を促進するとともに、頑健性を向上させる。
• 治療推薦のための閉形式のしきい値を導出することで、交差検証に基づく選択に比べて計算効率を向上させる。
• 本手法は、2型糖尿病および高血圧症患者を対象とした安全ネット病院の実際のEHRデータを用いて検証された。

実験結果

リサーチクエスチョン

• RQ1 RLADとK-NNに基づく頑健で非パラメトリックな手法が、標準的予測・処方モデルを上回る個人化治療推薦を達成できるか？
• RQ2 予測結果に基づく確率的方針が、決定論的方針よりも優れた期待される将来の結果をもたらすか？
• RQ3 本手法は、実世界のEHRデータにおけるノイズ、欠損データ、非線形性をどのように処理するか？
• RQ4 標準的ケアが不明または変動する状況でも本手法を適用可能か？
• RQ5 確率的処方ルールのサンプル外性能および最適性に関する理論的保証は何か？

主な発見

• 糖尿病患者のHbA1c予測において、RLAD+K-NNモデルは最高のR²（0.52）と最小のMSE（1.34）を達成し、OLS、LASSO、Huber、および単独のK-NNを上回った。
• 高血圧症においては、R²が0.36、MSEが159.74を達成し、Huber（R² 0.22）およびCART（R² 0.25）を著しく上回った。
• 糖尿病では平均絶対誤差（MAE）を1%、高血圧症でも1%削減し、中央値の誤差改善はそれぞれ1%および2%であった。
• 確率的方針により、頑健な予測モデルのもとで、標準的ケアに比べてHbA1cおよび収縮期血圧の低下が顕著に大きくなった。
• 特徴量の重要度分析から、糖尿病ではHbA1c、血糖値、収縮期血圧が上位の予測要因であったのに対し、高血圧症では収縮期血圧、年齢、ナトリウム濃度が主な要因であった。
• 治療推薦のための閉形式しきい値は、先行研究における交差検証ベースの選択に比べて計算効率を向上させた。