[논문 리뷰] Adaptive Weight Learning for Multiple Outcome Optimization With Continuous Treatment

Chang Wang, Lu Wang|arXiv (Cornell University)|2024. 02. 16.

Total Knee Arthroplasty OutcomesMedicine인용 수 3

한 줄 요약

이 논문은 연속적 치료와 다중 경쟁적 결과를 고려한 개인화된 치료 제도(Individualized Treatment Regimes, ITR)를 위한 새로운 적응형 가중치 학습 방법을 제안한다. 관찰 데이터로부터 환자별 유틸리티 가중치와 치료 결정 규칙을 동시에 추정함으로써, 복합 결과의 데이터 기반 최적화를 가능하게 하면서도 추론과 변수 선택을 지원한다.

ABSTRACT

To promote precision medicine, individualized treatment regimes (ITRs) are crucial for optimizing the expected clinical outcome based on patient-specific characteristics. However, existing ITR research has primarily focused on scenarios with categorical treatment options and a single outcome. In reality, clinicians often encounter scenarios with continuous treatment options and multiple, potentially competing outcomes, such as medicine efficacy and unavoidable toxicity. To balance these outcomes, a proper weight is necessary, which should be learned in a data-driven manner that considers both patient preference and clinician expertise. In this paper, we present a novel algorithm for developing individualized treatment regimes (ITRs) that incorporate continuous treatment options and multiple outcomes, utilizing observational data. Our approach assumes that clinicians are optimizing individualized patient utilities with sub-optimal treatment decisions that are at least better than random assignment. Treatment assignment is assumed to directly depend on the true underlying utility of the treatment rather than patient characteristics. The proposed method simultaneously estimates the weighting of composite outcomes and the decision-making process, allowing for construction of individualized treatment regimes with continuous doses. The proposed estimators can be used for inference and variable selection, facilitating the identification of informative treatment assignments and preference-associated variables. We evaluate the finite sample performance of our proposed method via simulation studies and apply it to a real data application of radiation oncology analysis.

연구 동기 및 목표

• 연속적 치료 옵션과 다중 상충 결과를 고려한 개인화된 치료 제도(IVT) 연구의 격차를 메우기 위해 기존 방법을 확장한다.
• 일반적으로 사전에 지정되어 있으며 환자 선호도나 임상 전문성에 맞지 않는 기존 복합 유틸리티 함수의 한계를 극복한다.
• 관찰 연구에서 환자 선호도와 임상 판단을 반영한 데이터 기반의 결과 가중치 학습을 위한 접근법을 개발한다.
• 연속 복용량을 고려한 개인화된 치료 전략 최적화를 위해 치료 결정 규칙과 결과 가중치를 동시에 추정한다.
• 치료 반응 및 선호도의 주요 예측 변수를 규명하기 위해 통계적 추론과 변수 선택을 가능하게 한다.

제안 방법

• 치료 할당을 환자 유틸리티의 함수로 모델링하는 의사-우도 추정 프레임워크를 제안하며, 이 유틸리티는 환자 특성과 치료 결과에 모두 의존한다.
• 복합 결과의 가중치 함수와 치료 결정 규칙을 공동 우도 접근법을 통해 동시에 추정한다.
• 로그우도의 이차 근사법을 사용하여 추정된 파라미터의 점근적 정규성을 도출하고 추론을 가능하게 한다.
• 환자 공변량의 매개변수화된 변환을 통해 개인화된 선호도를 포괄하는 융통성 있고 비모수적 가중치 함수 w(θ)를 도입한다.
• 실증 과정 이론과 마팅게일 중심극한정리를 활용하여 추정기의 점근적 성질을 수립한다.
• 치료 효과 및 가중치 파라미터의 공동 추정기의 점근적 선형 전개를 유도하여 표준 오차와 가설 검정을 가능하게 한다.

실험 결과

연구 질문

• RQ1 치료가 연속적이고 다중 결과(예: 효능과 독성)를 동시에 고려해야 할 때 개인화된 치료 제도는 어떻게 최적화될 수 있는가?
• RQ2 사전에 지정되거나 전문가가 제공한 유틸리티 함수가 필요 없이, 환자별 결과 가중치를 강력하고 데이터 기반으로 학습할 수 있는 방법은 무엇인가?
• RQ3 관찰 데이터로부터 공동 추정 프레임워크가 최적의 치료 규칙과 결과 가중치를 동시에 학습할 수 있는가?
• RQ4 이러한 공동 추정 설정에서 통계적 추론과 변수 선택은 어떻게 수행될 수 있는가?
• RQ5 실제 임상 상황에서 연속 복용량을 고려한 유한 표본 성능은 어떻게 되는가?

주요 결과

• 약한 규칙성 조건 하에서 치료 결정 규칙과 결과 가중치 모두 일관된 추정을 달성한다.
• 치료 효과 및 가중치 파라미터의 공동 추정기는 점근적으로 정규분포를 따르며, 타당한 추론과 신뢰구간을 가능하게 한다.
• 가중치 함수의 파라미터 추정을 통해 변수 선택을 지원하여 치료 선호도와 관련된 공변량을 규명한다.
• 시뮬레이션 연구에서 기존 방법 대비 평균제곱오차와 치료 효과 추정의 신뢰구간 커버리지 확률 측면에서 본 방법이 뛰어난 성능을 보였다.
• 실제 방사선 옹류 치료 적용 사례에서, 본 방법은 종양 억제와 독성 결과를 균형 있게 고려한 최적의 치료 복용량을 성공적으로 규명하였다.
• 모형 오류가 있을 경우에도 강건성을 보이며, 유한 표본 설정에서 중간 크기의 표본에서도 잘 작동함을 입증하였다.