[논문 리뷰] Causal Inference for Comprehensive Cohort Studies

Yi Lu, Daniel O. Scharfstein외 3명|arXiv (Cornell University)|2019. 10. 08.

Advanced Causal Inference Techniques참고 문헌 37인용 수 10

한 줄 요약

이 논문은 환자가 먼저 무작위 배정을 제안받고 이를 거부한 경우 관찰 연구에 포함되는 종합 코hort 연구(CC S)에서 원인 인과 추론을 위한 준모수적 효율적이고 강건한 추정기법을 제안한다. 표본 분할 이론과 위험도 함수에 대한 일반화된 가산 모델을 사용하여 다양한 무편향성 가정 하에 두 가지 핵심 추정량을 추정한다: 모든 자격 있는 환자를 포함한 종합 코hort 인과효과와 무작위 배정된 환자들만을 대상으로 한 임상시험 인과효과이다. 이 방법은 내부 타당성을 유지하면서도 일반화 능력을 향상시킨다.

ABSTRACT

In a comprehensive cohort study of two competing treatments (say, A and B), clinically eligible individuals are first asked to enroll in a randomized trial and, if they refuse, are then asked to enroll in a parallel observational study in which they can choose treatment according to their own preference. We consider estimation of two estimands: (1) comprehensive cohort causal effect -- the difference in mean potential outcomes had all patients in the comprehensive cohort received treatment A vs. treatment B and (2) randomized trial causal effect -- the difference in mean potential outcomes had all patients enrolled in the randomized trial received treatment A vs. treatment B. For each estimand, we consider inference under various sets of unconfoundedness assumptions and construct semiparametric efficient and robust estimators. These estimators depend on nuisance functions, which we estimate, for illustrative purposes, using generalized additive models. Using the theory of sample splitting, we establish the asymptotic properties of our proposed estimators. We also illustrate our methodology using data from the Bypass Angioplasty Revascularization Investigation (BARI) randomized trial and observational registry to evaluate the effect of percutaneous transluminal coronary balloon angioplasty versus coronary artery bypass grafting on 5-year mortality. To evaluate the finite sample performance of our estimators, we use the BARI dataset as the basis of a realistic simulation study.

연구 동기 및 목표

• 임상시험의 내부 타당성과 관찰 연구의 외부 타당성 간의 갈등을 다루기 위해.
• 두 가지 인과추정량을 추정하기 위해: 종합 코hort 인과효과(모든 자격 있는 환자)와 무작위 배정된 환자들만을 대상으로 한 임상시험 인과효과.
• 다양한 무편향성 가정 하에 준모수적, 효율적, 강건한 추정기법을 개발하기 위해.
• 내부 타당성을 유지하면서도 무작위 및 관찰 구성요소 간의 정보를 공유함으로써 일반화 능력을 향상시키기 위해.
• 실제 BARI 임상시험 데이터를 기반으로 한 시뮬레이션을 통해 성능을 검증하기 위해.

제안 방법

• 종합 코hort 및 무작위 배정된 환자들만을 대상으로 한 임상시험 인과효과에 대한 준모수적 추정기법을 제안한다.
• 약한 정규성 조건 하에서 추정기의 점근적 정규성 및 강건성을 확보하기 위해 표본 분할 기법을 사용한다.
• 위험도 함수(예: 투약 확률, 결과 회귀)를 추정하기 위해 일반화된 가산 모델을 활용하여 双중 강건성(드러운 강건성)을 달성한다.
• 다양한 무편향성 가정(A1, A2, A3) 하에서 역확률가중치법과 결과 회귀 조정을 적용한다.
• 무작위 및 관찰 그룹의 데이터를 통합하여 효율성 향상과 편향 보정을 달성하는 추정 방정식을 유도한다.
• 교차 적합 기법을 사용하여, 위험도 함수가 머신러닝으로 추정되더라도 점근적 정규성과 타당한 추론이 보장되도록 한다.

실험 결과

연구 질문

• RQ1 무작위 및 관찰 데이터를 융합한 종합 코hort 연구에서 두 경쟁 치료법의 인과효과를 어떻게 추정할 수 있는가?
• RQ2 관찰 데이터에서 종합 코hort 인과효과와 무작위 배정된 환자들만을 대상으로 한 임상시험 인과효과가 관측 데이터로부터 식별 가능한 조건은 무엇인가?
• RQ3 이 하이브리드 설계에서 모형 오특함에 강건하면서도 효율적인 추정기법을 어떻게 구성할 수 있는가?
• RQ4 실제 사례, 예를 들어 BARI 임상시험과 같은 설정에서 이러한 추정기법의 유한 표본 성능은 어떠한가?
• RQ5 무작위 임상시험과 관찰 연구 구성요소 간의 정보 공유가 별개로 분석하는 것보다 추정 성능을 어떻게 향상시키는가?

주요 결과

• 제안된 추정기법은 A1, A2, A3를 포함한 다양한 무편향성 가정 하에 준모수적 효율성과 강건성을 달성한다.
• 종합 코hort 인과효과 추정기법은 모든 자격 있는 환자를 포함함으로써 일반화 능력을 향상시키지만, 인과적 식별성을 유지한다.
• 무작위 배정된 환자들만을 대상으로 한 임상시험 인과효과 추정기법은 임상시험의 내부 타당성을 유지하면서도 유사한 미래 환자들에게 확신 있게 일반화할 수 있다.
• BARI 데이터 기반 시뮬레이션 연구 결과, 추정기법은 적절한 신뢰구간 포함성을 보이며 양호한 유한 표본 성능을 보였다.
• 표본 분할과 위험도 함수에 대한 일반화된 가산 모델의 사용은 결과 모형이나 투약 확률 모형이 다소 오특함이 있어도 타당한 추론을 가능하게 한다.
• 이 방법은 종합 코hort 연구의 두 구성요소에서의 데이터를 성공적으로 융합하여 별개 분석보다 편향을 줄이고 정밀도를 향상시켰다.