[論文レビュー] Time Series Deconfounder: Estimating Treatment Effects over Time in the Presence of Hidden Confounders

Ioana Bica, Ahmed M. Alaa+1 more|arXiv (Cornell University)|Feb 1, 2019

Advanced Causal Inference Techniques参考文献 61被引用数 14

ひとこと要約

時系列デコンファウンダーは、再帰的ニューラルネットワーク（RNN）と変分ドロップアウトを用いた深層学習手法であり、縦断的治療効果推定における観測されない多要因の隠れ交絡要因の代わりとなる潜在変数を推定することを目的としている。複数の時変動的治療間の依存関係を活用することで、標準的手法よりも弱い仮定の下で不偏な因果推論を可能にし、シミュレートされたデータおよび実際のICU EHRデータにおいて優れた性能を示している。

ABSTRACT

The estimation of treatment effects is a pervasive problem in medicine. Existing methods for estimating treatment effects from longitudinal observational data assume that there are no hidden confounders, an assumption that is not testable in practice and, if it does not hold, leads to biased estimates. In this paper, we develop the Time Series Deconfounder, a method that leverages the assignment of multiple treatments over time to enable the estimation of treatment effects in the presence of multi-cause hidden confounders. The Time Series Deconfounder uses a novel recurrent neural network architecture with multitask output to build a factor model over time and infer latent variables that render the assigned treatments conditionally independent; then, it performs causal inference using these latent variables that act as substitutes for the multi-cause unobserved confounders. We provide a theoretical analysis for obtaining unbiased causal effects of time-varying exposures using the Time Series Deconfounder. Using both simulated and real data we show the effectiveness of our method in deconfounding the estimation of treatment responses over time.

研究の動機と目的

• 観測されない多要因の交絡要因が標準的な因果推論手法にバイアスを及える状況において、縦断的観察データにおける治療効果推定という重要な課題に対処すること。
• 隠れ交絡要因の直接観測が不要な条件下でも、時変動的治療効果の不偏推定を可能にする手法の開発。
• 「隠れ交絡要因なし」という検証不能な仮定を、「時間的経過における治療依存関係の正確な要因モデル化」という検証可能な条件に移行すること。
• 静的状況に限らないデコンファウンダー枠組みを時系列設定に拡張し、交絡要因の依存関係における時間的ダイナミクスを捉えること。
• 制御された交絡要因を伴う合成データおよび実世界のICU電子的健康記録（EHR）データを用いて、手法の妥当性を検証すること。

提案手法

• 時系列的治療割り当てをモデル化し、潜在的交絡要因の代替としての潜在変数を推定するための、マルチタスク出力ヘッドを備えた新規の再帰的ニューラルネットワーク（RNN）アーキテクチャを提案。
• RNNの正則化と潜在変数推定における不確実性の推定向上を目的に、変分ドロップアウトを用いる。
• 時間的要因モデルを用いて、観測された治療が条件付き独立になるように潜在変数を生成し、観測されない交絡要因の役割を模倣する。
• 各タイムステップで予測チェックを実施し、要因モデルの品質を評価し、治療依存関係を十分に捉えているかを検証するp値を計算する。
• 推定された潜在変数を、逐次的強い無視可能性の下で個別化された治療効果を推定する出力モデルの代理変数として用いる。
• 理論的分析により、仮定3および良好な要因モデルの適合度が満たされれば、潜在変数が時変動設定における不偏因果推定の条件を満たすことが示された。

実験結果

リサーチクエスチョン

• RQ1 複数の治療が割り当てられ、観測されない交絡要因が治療割り当てと結果に影響を与える状況において、時間経過に伴う不偏な治療効果推定は可能か？
• RQ2 複数の時変動的治療間の依存関係を活用することで、隠れ交絡要因の代わりとなる潜在変数を推定できるか？
• RQ3 隠れ交絡要因が縦断的データに存在する状況において、時系列デコンファウンダーは標準的手法を上回る性能を示すか？
• RQ4 時系列的状況における予測チェックは、推定された潜在的交絡要因代替の品質を効果的に評価できるか？
• RQ5 実世界の臨床データ、特にICU EHRのような欠損または観測されない交絡要因が存在する状況において、この手法は頑健性を示せるか？

主な発見

• 隠れ交絡要因を伴うシミュレートデータでは、時系列デコンファウンダーによりRMSEが6.31 ± 0.11（交絡あり）からD_Z=5のとき3.85 ± 0.04に低下し、オラクルモデル（3.85 ± 0.04）の性能に近づいた。
• MIMIC-III ICUデータセットでは、3つの共変数を除いた後、RMSEが4.12 ± 0.00からD_Z=5を使用した際の2.81 ± 0.03に低下し、ベースラインを上回り、オラクル性能と一致した。
• D_Z=5のデコンファウンディングモデルは、静的患者サブグループを用いたオラクルモデルよりも低いRMSEを達成しており、潜在変数が静的代理変数よりも時変動的交絡要因をよりよく捉えていることを示唆している。
• 各タイムステップでの予測チェックにより、要因モデルが治療依存関係を効果的に捉えていることが示され、潜在変数推定の妥当性が裏付けられた。
• 実世界のEHRデータにおいても手法は頑健性を示し、体温やグルコースといった重要な臨床変数を除いた場合でも、治療効果推定のデコンファウンディングが可能であった。
• 理論的分析により、適切なモデル適合度が得られれば、推定された潜在変数が逐次的強い無視可能性を満たすことが確認され、不偏な因果推定が可能であることが示された。