[논문 리뷰] A Bayesian Nonparametric Approach for Evaluating the Causal Effect of Treatment in Randomized Trials with Semi-Competing Risks

Yanxun Xu, Daniel O. Scharfstein외 2명|arXiv (Cornell University)|2019. 03. 20.

Advanced Causal Inference Techniques참고 문헌 29인용 수 4

한 줄 요약

이 논문은 반경쟁 위험 상황에서 임상 시험에서 치료의 비편향 효과를 추정하기 위해 베이지안 비모수적 접근법을 제안한다. 주요 전략은 주된 집단 분석과 민감도 파라미터를 활용하여 식별성 문제를 해결하는 것이다. 이 방법은 관측된 데이터 분포를 탄력적으로 모델링함으로써 강력한 추론을 가능하게 하며, 뇌종양 임상 시험에서 기존의 단순 접근법에 비해 더 나은 적합도와 신뢰할 수 있는 인과 효과 추정치를 보여준다.

ABSTRACT

We develop a Bayesian nonparametric (BNP) approach to evaluate the causal effect of treatment in a randomized trial where a nonterminal event may be censored by a terminal event, but not vice versa (i.e., semi-competing risks). Based on the idea of principal stratification, we define a novel estimand for the causal effect of treatment on the nonterminal event. We introduce identification assumptions, indexed by a sensitivity parameter, and show how to draw inference using our BNP approach. We conduct simulation studies and illustrate our methodology using data from a brain cancer trial.

연구 동기 및 목표

• 반경쟁 위험 상황에서 종료 이벤트(예: 사망)가 진행 상황 관찰을 방해할 수 있는 임상 시험에서 비종료 결과에 대한 인과 효과 추정 문제를 해결하기 위해.
• 주요 집단 분석 기반으로 새로운 인과 추정치를 정의하여 반경쟁 위험 하에서 치료가 진행에 미치는 영향을 정량화하기 위해.
• 기초 공변량을 수용하고 민감도 파라미터를 통해 추정치의 식별성을 다루는 탄력적인 베이지안 비모수 모델을 개발하기 위해.
• 제안된 방법의 성능을 제2단계 뇌종양 임상 시험에서의 시뮬레이션과 실제 데이터 분석을 통해 평가하기 위해.
• 모델 잘못 지정에 대한 불확실성 정량화와 예측 추론을 허용하는 강력한 인과 추론 프레임워크를 제공하기 위해.

제안 방법

• 주요 집단 분석을 기반으로 시간에 따라 변하는 상대 위험 기반의 인과 추정치를 제안하며, 치료와 대조군 모두에서 진행이 관찰 가능할 것으로 예상되는 하위군에 집중한다.
• 민감도 파라미터 ρ로 인덱싱된 식별 가정을 도입하여, 치료와 대조군에서의 생존 간 상관관계를 나타내며 비식별성 문제를 해결한다.
• 관측된 실패 시간과 기초 공변량의 결합 분포를 탄력적으로 모델링하기 위해 종속 딜레트 데일리 프로세스(Dependent Dirichlet Process, DDP) 사전분포를 사용한다. 이는 데이터 분포의 비모수적 추정을 가능하게 한다.
• 후행 요약을 통해 인과 추정치에 대한 추론을 수행하며, 민감도 파라미터 ρ에 대한 사전분포를 통합하여 불확실성 정량화를 가능하게 한다.
• 219명의 환자를 포함한 뇌종양 임상 시험에 이 방법을 적용하였으며, 후행 예측 검증과 로그가짜 최대우도( LPML )를 통한 모형 적합도 평가를 실시하였다.
• ρ의 여러 값(0.2, 0.5, 0.8)에 대해 민감도 분석을 수행하여, 관측되지 않은 종속성에 대한 가정에 대한 결과의 강건성 여부를 평가한다.

실험 결과

연구 질문

• RQ1 반경쟁 위험이 존재하는 상황에서 진행에 대한 치료 효과에 대한 유효한 인과 추정치를 어떻게 정의할 수 있는가?
• RQ2 관측 가능한 데이터 분포와 인과 추정치를 연결하기 위해 필요한 식별 가정은 무엇이며, 이를 어떻게 파rameter화할 수 있는가?
• RQ3 베이지안 비모수적 방법은 이 맥락에서 실패 시간과 공변량의 결합 분포를 어떻게 모델링할 수 있는가?
• RQ4 제안된 방법은 기존 표준 접근법에 비해 모형 적합도와 인과 효과 추정에서 어떻게 다를까?
• RQ5 인과 효과 추정치는 민감도 파라미터 ρ의 선택에 얼마나 민감한가?

주요 결과

• BNP 방법은 365일 후 생존률의 후행 추정 차이가 6.2% (95% 신뢰구간: -1.2%에서 13.3%)로 산출되었으며, 카프카인-메이어 방법의 2.6%에 비해 더 높은 치료별 생존률 추정치를 보였다.
• Naive 접근법은 8.4% (95% 신뢰구간: 0.2%에서 17.9%)의 더 높은 치료 효과 차이를 추정했지만, 카프카인-메이어 방법에 비해 대조군의 생존률 추정치가 낮았다.
• LPML 비교 결과, BNP 모형은 Naive 모형보다 더 나은 적합도를 보였으며, 치료군과 대조군의 LPML 값은 각각 -144와 -137이었고, Naive 모형은 각각 -161과 -174였다.
• 후행 추정치 τ(u)는 u=0 근처를 제외한 모든 시간점에서 치료군에서 진행 위험이 낮게 나타났지만, 넓은 신뢰구간으로 인해 높은 불확실성을 나타냈다.
• 민감도 파라미터 ρ의 값이 0.2, 0.5, 0.8일 때 결과는 유사한 후행 추정치를 보이며 강건성을 확인했다.
• BNP 모형은 생존 및 진행 데이터 양쪽에 대해 더 나은 적합도를 보였으며, 치료군과 대조군의 LPML 값은 각각 -227과 -215였고, Naive 모형은 각각 -232와 -214였다.