[論文レビュー] Tree based weighted learning for estimating individualized treatment rules with censored data

Yifan Cui, Ruoqing Zhu+1 more|arXiv (Cornell University)|Jul 30, 2017

Statistical Methods and Inference参考文献 23被引用数 5

ひとこと要約

本稿では、右側切断生存データにおける個別化治療ルールを推定するための木構造的重み付き学習手法を提案する。逆確率重み付けやパラメトリックモデルに依存せずに、再帰的補完された生存木を用いて非パラメトリックに期待生存時間を推定することで、その方法は一貫性と最適収束速度を達成し、シミュレーションおよび非小細胞肺がん臨床試験において既存手法を上回る性能を示した。

ABSTRACT

Estimating individualized treatment rules is a central task for personalized medicine. [zhao2012estimating] and [zhang2012robust] proposed outcome weighted learning to estimate individualized treatment rules directly through maximizing the expected outcome without modeling the response directly. In this paper, we extend the outcome weighted learning to right censored survival data without requiring either an inverse probability of censoring weighting or a semiparametric modeling of the censoring and failure times as done in [zhao2015doubly]. To accomplish this, we take advantage of the tree based approach proposed in [zhu2012recursively] to nonparametrically impute the survival time in two different ways. The first approach replaces the reward of each individual by the expected survival time, while in the second approach only the censored observations are imputed by their conditional expected failure times. We establish consistency and convergence rates for both estimators. In simulation studies, our estimators demonstrate improved performance compared to existing methods. We also illustrate the proposed method on a phase III clinical trial of non-small cell lung cancer.

研究の動機と目的

• 生存アウトカムが右側切断されている状況において、逆確率による打ち切りの重み付けに依存せずに、個別化治療ルールを推定する強固な手法を開発すること。
• 特に逆重み付けによる不安定性とモデル不適合の問題を抱える既存のアウトカム重み付き学習手法の限界を是正すること。
• 非パラメトリックな補完を再帰的補完された生存木を用いて、アウトカム重み付き学習を切断データに拡張すること。
• カテゴリカルでない予測子を含む一般設定において、提案手法の推定子の理論的一貫性および収束速度を確立すること。
• シミュレーション研究および第III相非小細胞肺がん臨床試験における実世界応用を通じて、性能の向上を示すこと。

提案手法

• Zhu & Kosorok (2012) が提唱した再帰的補完された生存木（recursively imputed survival trees）を用いて、打ち切り観測の条件付き期待故障時間を非パラメトリックに推定する。
• 生存時間を2通りの方法で補完する：(1) すべての報酬を期待生存時間に置き換える；(2) 打ち切り観測のみをその条件付き期待故障時間で補完する。
• 補完された生存時間を報酬として用い、Zhao et al. (2012) が提唱したアウトカム重み付き学習を適用し、治療ルール推定を重み付き分類問題に再定式化する。
• 打ち切りおよび故障時間分布のパラメトリックまたはセミパラメトリックモデルに依存しないように、木構造的非パラメトリック推定を採用する。
• 報酬関数差の新しい技術的バインドを用いて、両補完戦略の理論的一貫性および収束速度を導出する。
• ランダム生存フォレストフレームワーク内での反復的推定を可能にする再帰的補完メカニズムを採用する。

実験結果

リサーチクエスチョン

• RQ1 逆確率による打ち切りの重み付けに依存せずに、アウトカム重み付き学習を右側切断生存データに効果的に拡張できるか？
• RQ2 再帰的補完された生存木は、セミパラメトリックモデルの代替として、安定した非パラメトリックな補完を提供できるか？
• RQ3 提案された推定子は、連続的予測子を含む一般条件下でも一貫性および最適収束速度を達成するか？
• RQ4 有限標本において、逆確率重み付けや二重ロバスト手法といった既存手法と比較して、本手法の性能はどのように異なるか？
• RQ5 本手法は、第III相非小細胞肺がん臨床試験のような実世界臨床データに成功裏に適用可能か？

主な発見

• 提案手法は、両補完戦略ともに一般条件下で一貫性および最適収束速度を達成し、理論的境界が確立された。
• 30%の打ち切り率を想定したシミュレーションでは、RIST-R1およびRIST-R2手法がシナリオ3で平均対数生存時間をそれぞれ785および771（×10³）達成し、理論的最適値1079（×10³）に近く、良好な性能を示した。
• 60%の打ち切り率でも、RIST-R1およびRIST-R2手法はICO、DRおよびCoxモデルを上回り、シナリオ3で平均対数生存時間をそれぞれ753および748（×10³）達成した。
• 本手法は、負の最適値を有するシナリオを含むすべてのシミュレーション設定で、安定した性能を示し、競合手法を一貫して上回った。
• 非小細胞肺がん臨床試験において、本手法は期待生存時間を最大化する治療ルールを同定し、臨床的適用可能性を裏付けた。
• 特に高打切り率およびモデル不適合の下で、逆確率重み付けおよび二重ロバスト手法と比較して、安定性と正確性の両面で優れた性能を示した。