[論文レビュー] Predicting Individualized Effects of Internet-Based Treatment for Genito-Pelvic Pain/Penetration Disorder: Development and Internal Validation of a Multivariable Decision Tree Model

Anna‐Carlotta Zarski, Mathias Harrer+4 more|arXiv (Cornell University)|Mar 15, 2023

Suicide and Self-Harm Studies被引用数 4

ひとこと要約

本研究では、性器・仙腸関節痛症候群（GPPPD）に対するインターネットベースの介入の個別化された治療効果を予測する多変量意思決定木モデルを開発し、内部妥当性を検証した。このモデルは、共同の対処行動（dyadic coping）が主な予測要因であることを特定した。高水準のベースライン時の共同対処行動を示す患者は大きな治療効果を示した（Cohenのd = 1.00）、一方で低水準の患者は有意な利益を示さなかった（d = 0.12）。これは、治療割り当てを的確に行うために重点を置くべき重要なサブグループを示している。

ABSTRACT

Genito-Pelvic Pain/Penetration-Disorder (GPPPD) is a common disorder but rarely treated in routine care. Previous research documents that GPPPD symptoms can be treated effectively using internet-based psychological interventions. However, non-response remains common for all state-of-the-art treatments and it is unclear which patient groups are expected to benefit most from an internet-based intervention. Multivariable prediction models are increasingly used to identify predictors of heterogeneous treatment effects, and to allocate treatments with the greatest expected benefits. In this study, we developed and internally validated a multivariable decision tree model that predicts effects of an internet-based treatment on a multidimensional composite score of GPPPD symptoms. Data of a randomized controlled trial comparing the internet-based intervention to a waitlist control group (N =200) was used to develop a decision tree model using model-based recursive partitioning. Model performance was assessed by examining the apparent and bootstrap bias-corrected performance. The final pruned decision tree consisted of one splitting variable, joint dyadic coping, based on which two response clusters emerged. No effect was found for patients with low dyadic coping ($n$=33; $d$=0.12; 95% CI: -0.57-0.80), while large effects ($d$=1.00; 95%CI: 0.68-1.32; $n$=167) are predicted for those with high dyadic coping at baseline. The bootstrap-bias-corrected performance of the model was $R^2$=27.74% (RMSE=13.22).

研究の動機と目的

• GPPPDに対するインターネットベース治療の非反応率の高さに対処するため、最も利益を得る可能性が高い患者サブグループを同定すること。
• ベースライン時の患者特性を考慮した多変量予測モデルを構築し、GPPPDにおける異質な治療効果を反映すること。
• 個々の予測因子に基づく個別化された治療割り当てを可能にすることで、臨床的意思決定を改善すること。
• 再サンプリング技術を用いて過適合を是正する内部妥当性評価を通じて、モデルの予測性能を検証すること。
• 将来的な外部妥当性評価を独立した試験で行い、臨床的実装に向けた支援を行うこと。

提案手法

• ランダム化比較試験（RCT）データセット（N=200）を用いて、意思決定木（モデルベース木）を構築した。この試験では、インターネットベース治療と待機コントロール群を比較した。
• アウトカムは、ベースライン時および治療後におけるGPPPD症状の多次元的複合スコアであった。
• 潜在的モダレーターとしての変数の重要性を評価するため、パーミュテーションベースのランダムフォレスト分析を用いた。
• 最終的なモデルは、汎用性を高め、過適合を低減するために刈り込み処理が施され、決定係数（R²）および平均二乗誤差（RMSE）を用いて性能が評価された。
• 未知のデータに対するモデルの真の予測性能を推定するために、ブートストラップバイアス補正が適用された。
• 再サンプリングを用いた内部妥当性評価を通じて、サブグループにおける治療効果予測の安定性と正確性を検証した。

Figure 1: Density plot of the aggregated outcome

実験結果

リサーチクエスチョン

• RQ1 どのベースライン時の患者特性が、GPPPDに対するインターネットベース治療で顕著な個別化された利益を予測するか？
• RQ2 共同の対処行動（joint dyadic coping）は、インターネットベース療法を受けるGPPPD患者の治療結果を有意にモダレートするか？
• RQ3 ブートストラップ再サンプリングによるバイアス補正後、意思決定木モデルの予測性能はどのように保たれるか？
• RQ4 ベースライン特性に基づいて、著しく異なる治療反応パターンを示すGPPPD患者の明確なサブグループが存在するか？
• RQ5 多変量意思決定木モデルは、インターネットベース治療の利益が得られない可能性が高い患者を効果的に同定できるか？

主な発見

• ベースライン時に高い共同対処行動を示す患者は、大きな治療効果を示した（Cohenのd = 1.00；95%信頼区間：0.68–1.32）、すなわち著しい症状軽減が認められた。
• ベースライン時に低い共同対処行動を示す患者は、有意な治療効果を示さなかった（Cohenのd = 0.12；95%信頼区間：-0.57～0.80）、すなわち介入による利益が最小限であった。
• 意思決定木モデルは、共同対処行動を唯一の有意な分割変数として特定した。その閾値は18項目のインデックスで13であった。
• ブートストラップバイアス補正後の治療成果の分散の27.74%をモデルが説明した（R² = 27.74%）、平均二乗誤差（RMSE）は13.22であった。
• モデルの性能は安定的で、高対処行動サブグループでは高い予測精度を示した（末端ノード3でR² = 30.36%）、低対処行動サブグループでは低性能であった（ノード2でR² = 1.83%）。
• 変数重要性分析により、共同対処行動が最も影響力のある予測因子であることが確認された（スコア1.0以上）、一方、自己肯定感や疼痛への干渉といった他の変数は重要度が低く、除外された。

Figure 2: Decision tree model; based on imputed data.