[논문 리뷰] A Bayesian Nonparametric Approach for Estimating Individualized Treatment-Response Curves

Yanbo Xu, Yanxun Xu외 1명|arXiv (Cornell University)|2016. 08. 18.

Statistical Methods and Inference참고 문헌 31인용 수 28

한 줄 요약

이 논문은 희소하고 비정규적으로 샘플링된 관찰 시간 시리즈에서 개인화된 치료 반응 곡선을 추정하기 위해 가우시안 프로세스와 계층적 사전분포를 사용하는 베이지안 비모수 방법을 제안한다. G-계산 공식과 완전한 사후 추론을 활용함으로써, 특히 개인 간 이질성과 불확실성을 잘 포착하는 데서, 인슐린 및 체액 균형 반응 예측에서 인구 수준 모델과 기준 모델보다 뛰어난 성능을 보인다.

ABSTRACT

We study the problem of estimating the continuous response over time to interventions using observational time series---a retrospective dataset where the policy by which the data are generated is unknown to the learner. We are motivated by applications where response varies by individuals and therefore, estimating responses at the individual-level is valuable for personalizing decision-making. We refer to this as the problem of estimating individualized treatment response (ITR) curves. In statistics, G-computation formula (Robins, 1986) has been commonly used for estimating treatment responses from observational data containing sequential treatment assignments. However, past studies have focused predominantly on obtaining point-in-time estimates at the population level. We leverage the G-computation formula and develop a novel Bayesian nonparametric (BNP) method that can flexibly model functional data and provide posterior inference over the treatment response curves at both the individual and population level. On a challenging dataset containing time series from patients admitted to a hospital, we estimate responses to treatments used in managing kidney function and show that the resulting fits are more accurate than alternative approaches. Accurate methods for obtaining ITRs from observational data can dramatically accelerate the pace at which personalized treatment plans become possible.

연구 동기 및 목표

• 치료 정책이 알려져 있지 않은 관찰 시간 시리즈에서 연속적인 개인 수준의 치료 반응 곡선을 추정하기 위해.
• 기존 방법이 시점 기반의 인구 수준 추정에 집중하는 데서 비롯되는 한계를 해결하기 위해.
• 개개인 간 이질적인 치료 효과를 모델링하면서도, 환자 간 정보 공유를 통해 강도를 높이기 위해.
• 95퍼센트 신뢰구간을 포함한 완전한 사후 추론을 제공하여 개인 예측의 불확실성을 정량화하기 위해.

제안 방법

• 시간에 따른 종속변수의 유연한 모델링을 위해 가우시안 프로세스 사전분포를 사용하는 베이지안 비모수 프레임워크를 사용한다.
• 개개인 간 정보 공유를 가능하게 하면서도 개인별 치료 반응 곡선을 허용하기 위해 계층적 사전분포를 적용한다.
• 관찰 데이터에서 시간에 따라 변화하는 혼란 요인을 보정하기 위해 G-계산 공식을 활용한다.
• 치료 효과를 시간과 치료 복용량의 함수로 모델링하여 연속적인 반응 추정을 가능하게 한다.
• 개인 및 인구 수준의 치료 반응 곡선에 대한 완전한 사후 분포를 확보하기 위해 마르코프 체인 몬테카를로(MCMC) 샘플링을 사용한다.
• 신장 SOFA 점수와 합병증과 같은 공변량을 통합하여 개인별 기저 상태 진행 상황과 치료 반응을 더 잘 반영한다.

실험 결과

연구 질문

• RQ1 희소하고 비정규적인 관찰 시간 시리즈에서, 베이지안 비모수 모델이 개인화된 치료 반응 곡선을 정확하게 추정할 수 있는가?
• RQ2 제안된 방법이 예측 정확도에서 인구 수준 모델과 개인 수준 기준 모델보다 어떻게 비교되는가?
• RQ3 신장 기능이 다른 환자들 간에 치료 효과의 이질성을 모델이 어느 정도 잘 포착할 수 있는가?
• RQ4 제한된 데이터에서 개인 예측의 불확실성을 모델이 얼마나 잘 정량화하는가?
• RQ5 환자 간 정보 공유 기능이 관측 수가 적은 환자에서 성능 향상에 기여하는가?

주요 결과

• 제안된 ITR 모델은 평균 예측 오차에서 인구 수준(Pop) 모델과 세 가지 기준 모델보다 유의미하게 뛰어나며, 통계적으로 유의미한 향상이 이루어졌다.
• 데이터가 희소할 경우, ITR 모델은 효과적인 환자 간 정보 공유 덕분에 개인 수준 모델보다 낮은 예측 오차를 기록했다.
• 더 많은 데이터가 확보될수록 개인 수준 모델의 성능은 향상되지만 여전히 ITR 모델에 뒤지며, 이는 ITR 모델이 뛰어난 유연성과 정확도를 유지하기 때문이다.
• 정성적 결과에서는 ITR 예측이 임상적 기대와 잘 일치함을 보였는데, 예를 들어 기저 신장 기능이 양호한 환자에서 저용량 라시팩스가 더 효과적이라는 점이 잘 반영되었다.
• 모델은 AKI 또는 만성 신장질환(CKD) 환자는 이뇨제에 더 저항성이 있음을 드러내었으며, 더 잘 반응하는 환자는 신장배액이 필요한 확률이 낮았다.
• ITR가 추정한 치료 반응 곡선은 신장 기능 악화에 따라 이뇨제 효과가 감소하는 경향을 보였으며, 임상 지식과 일치하였다.