[論文レビュー] Random Forests of Interaction Trees for Estimating Individualized Treatment Effects in Randomized Trials

Xiaogang Su, Annette T. Peña+2 more|arXiv (Cornell University)|Sep 14, 2017

Advanced Causal Inference Techniques参考文献 3被引用数 3

ひとこと要約

本稿では、ランダム化比較試験における個別化治療効果（ITE）推定を改善するために、スムーズなシグモイドサーヴィレート（SSS）を用いた高速な木構築と、無限小ジャックナイフを用いた標準誤差推定を組み合わせた、新たなアンサンブル手法であるインタラクション木のランダムフォレスト（RFIT）を提案する。RFITは、従来の個別回帰法と比較してバイアスを低減し、特に小規模から中規模のサンプルサイズにおいて推定精度を向上させる。

ABSTRACT

Assessing heterogeneous treatment effects has become a growing interest in advancing precision medicine. Individualized treatment effects (ITE) play a critical role in such an endeavor. Concerning experimental data collected from randomized trials, we put forward a method, termed random forests of interaction trees (RFIT), for estimating ITE on the basis of interaction trees (Su et al., 2009). To this end, we first propose a smooth sigmoid surrogate (SSS) method, as an alternative to greedy search, to speed up tree construction. RFIT outperforms the traditional `separate regression' approach in estimating ITE. Furthermore, standard errors for the estimated ITE via RFIT can be obtained with the infinitesimal jackknife method. We assess and illustrate the use of RFIT via both simulation and the analysis of data from an acupuncture headache trial.

研究の動機と目的

• ランダム化比較試験のデータを用いて、精密医療における個別化治療効果（ITE）を推定する課題に取り組む。
• 従来の個別回帰（SR）手法と比較して、ITE推定におけるバイアス低減と精度向上を図る。
• グリーディサーチの代わりにスムーズなシグモイドサーヴィレート（SSS）を用いることで、インタラクション木の構築を計算的に効率化する手法を開発する。
• 無限小ジャックナイフ法を拡張し、RFITから得られるITE推定値の有効な標準誤差を提供する。
• シミュレーションと、鍼治療による頭痛試験の実世界データを通じて、本手法の性能を示す。

提案手法

• RFITは、個別化治療効果（ITE）推定のための治療×共変量相互作用をモデル化するため、インタラクション木（IT）に基づくランダムフォレストを採用する。
• グリーディサーチの代わりに微分可能であるスムーズなシグモイドサーヴィレート（SSS）を導入し、より高速かつ安定した木の成長を可能にする。
• 無限小ジャックナイフ法を拡張し、RFITから得られるITE推定値の標準誤差を計算する。
• 本手法は、フォレストの端末ノード内における治療群と対照群の予測出力の差としてITEを推定する。
• RFITは、バギングと複数のインタラクション木にわたるアンサンブル平均化を用いて、分散を低減し、耐性性を向上させる。
• 端末ノード内の共変量のバランスを確認し、不均衡が検出された場合には追加の調整を施す可能性がある。

実験結果

リサーチクエスチョン

• RQ1 RFITは、バイアスと平均二乗誤差の観点から、個別回帰法と比較して個別化治療効果（ITE）推定においてどのように異なるか？
• RQ2 スムーズなシグモイドサーヴィレート（SSS）は、推定精度を維持または向上させつつ、木構築を顕著に高速化できるか？
• RQ3 無限小ジャックナイフ法は、RFITフレームワークにおけるITE推定値の標準誤差推定に有効であるか？
• RQ4 RFITは、共変量によって定義される異なるサブグループにおける治療効果の非均一性をどれほどうまく検出できるか？
• RQ5 RFITは、さまざまなサンプルサイズとデータ構造の下でも良好な性能を維持できるか？

主な発見

• RFITは、特に小規模（n=100）から中規模（n=500）のサンプルサイズにおいて、個別回帰法と比較してITE推定におけるバイアスを顕著に低減する。
• n=500の場合、RFITはバイアスが著しく減少するが、SRは極端なITE値を予測する際に依然として顕著なバイアスを示す。
• RFITによるITE推定値の範囲はSRよりも広く、真のITE値のカバー範囲が広がっており、分散が低く抑えられていることを示している。
• 無限小ジャックナイフを用いて導出された標準誤差の式は、シミュレーションにおいて有効であり、ITE推定値のばらつきを正確に反映している。
• 鍼治療による頭痛試験の実世界データでは、RFITは治療効果の差異を示すサブグループを的確に同定し、実用的有用性を示した。
• SSS手法は、推定精度を損なわず、グリーディサーチと比較して木構築を高速化し、安定性を向上させた。