[논문 리뷰] Contextual Constrained Learning for Dose-Finding Clinical Trials

Hyun-Suk Lee, Cong Shen외 2명|arXiv (Cornell University)|2020. 01. 08.

Advanced Bandit Algorithms Research참고 문헌 22인용 수 4

한 줄 요약

이 논문은 예산 및 안전성 제약 조건 하에서 임상 시험에서 복용량을 찾는 데 사용할 수 있는 C3T-Budget을 제안한다. 이 알고리즘은 치료 효과와 추정 정확도를 균형 있게 고려하여 그룹별로 특화된 맥락, 추정된 효과 및 신뢰도를 활용해 환자와 복용량을 동적으로 선택함으로써, 최신 기술 대비 더 낮은 복용량 오차율과 더 높은 환자당 치료 효과를 달성한다. 특히 제한된 예산 조건에서 뛰어난 성능을 발휘한다.

ABSTRACT

Clinical trials in the medical domain are constrained by budgets. The number of patients that can be recruited is therefore limited. When a patient population is heterogeneous, this creates difficulties in learning subgroup specific responses to a particular drug and especially for a variety of dosages. In addition, patient recruitment can be difficult by the fact that clinical trials do not aim to provide a benefit to any given patient in the trial. In this paper, we propose C3T-Budget, a contextual constrained clinical trial algorithm for dose-finding under both budget and safety constraints. The algorithm aims to maximize drug efficacy within the clinical trial while also learning about the drug being tested. C3T-Budget recruits patients with consideration of the remaining budget, the remaining time, and the characteristics of each group, such as the population distribution, estimated expected efficacy, and estimation credibility. In addition, the algorithm aims to avoid unsafe dosages. These characteristics are further illustrated in a simulated clinical trial study, which corroborates the theoretical analysis and demonstrates an efficient budget usage as well as a balanced learning-treatment trade-off.

연구 동기 및 목표

• 제한된 예산과 안전성 제약 조건 하에서 이질적인 환자 집단에서 복용량을 찾는 문제를 해결하기 위해.
• 초기 단계 임상 시험에서 임상 연구(최적 복용량 확보)와 임상 실천(환자 효과적 치료) 사이의 상충 관계를 균형 있게 조절하기 위해.
• 부족하게 대응되는 하위군의 추정 정확도를 향상시키면서도 안전하지 않은 복용량을 피하기 위해.
• 추정 정확도와 기대 효과를 바탕으로 환자 모집 우선순위를 정함으로써 제한된 예산을 효율적으로 활용하는 알고리즘 개발을 위해.
• 기존 방법보다 제약 조건이 있는 환경에서 복용량 정확도와 치료 효과 측면에서 알고리즘이 뛰어난 성능을 보임을 입증하기 위해.

제안 방법

• C3T-Budget는 환자 집단을 맥락 기반의 손잡이로 모델링하며, 맥락으로는 인구 분포, 추정된 효과, 추정 정확도를 포함한다.
• 각 집단에 대해 이전 데이터를 기반으로 한 안전성 제약 조건을 충족하면서 추정된 효과가 가장 높은 복용량을 선택한다.
• 정보 수확 잠재력에 기반해 환자를 치료할지 여부를 결정하며, 효과 추정에 대해 불확실성 또는 낮은 신뢰도가 있는 집단을 우선순위로 삼는다.
• C3T-Budget-E는 예산이 극도로 제한된 상황에서 가장 유망한 하위군에 집중적으로 환자를 모집함으로써 성능을 높이는 확장된 버전으로, 낮은 효과를 보이는 집단의 정밀도를 희생한다.
• 예산, 시간 범위, 안전성 제약 조건을 환자 모집 및 복용량 배분 결정에 통합한 제약 조건을 고려한 최적화 접근 방식을 사용한다.
• 환자 도착률이 집단별로 다를 수 있으며, 이에 따라 실시간으로 모집 및 복용량 조절을 수행하는 순차적 의사결정 과정을 구현한다.

실험 결과

연구 질문

• RQ1 제한된 예산과 이질적인 환자 집단이 존재하는 임상 시험에서, 복용량 찾기 알고리즘이 학습과 치료를 효과적으로 균형 있게 조절할 수 있는가?
• RQ2 예산 제약 조건이 하위군별 임상 시험에서 복용량 추천의 정확도와 환자 치료 효과에 어떤 영향을 미치는가?
• RQ3 시간 범위가 예산 제약 조건 하에서 맥락 기반 임상 시험 알고리즘의 성능에 어떤 영향을 미치는가?
• RQ4 맥락 기반 밴딧 접근 방식이 부족하게 대응되는 하위군의 추정 정확도를 향상시키면서도 안전하지 않은 복용량을 피할 수 있는가?
• RQ5 알고리즘의 환자 모집 전략은 이질적인 인구 집단에서 다양한 집단 크기와 도착률에 어떻게 적응하는가?

주요 결과

• 예산 B ≥ 80일 경우 C3T-Budget는 모든 알고리즘 중에서 가장 낮은 복용량 오차율을 기록하며, B ≥ 500일 경우 오차율이 거의 0에 수렴한다.
• 예산 B < 80일 경우 C3T-Budget-E가 가장 낮은 오차율을 기록하여 초저예산 환경에서 뛰어난 성능을 보임을 시사한다.
• C3T-Budget-E는 모든 예산 수준에서 환자당 가장 높은 치료 효과를 기록하여 치료 중심 시나리오에서의 강점을 입증한다.
• 예산이 증가함에 따라 C3T-Budget의 복용량 오차율은 급격히 감소하며, 기준 방법 대비 예산 활용 효율성이 뛰어나다는 것을 보여준다.
• 시간 범위 T/B 비율이 1을 초과할 경우 C3T-Budget의 오차율은 환자 모집의 유연성이 증가함에 따라 감소하지만, C3T-Budget-E는 고효능 하위군에 과도하게 집중함으로써 오차율이 증가한다.
• 두 알고리즘이 모두 고 T/B 비율에서 성능 포화 상태에 도달하며, 이는 제한 요소가 시간에서 예산으로 이동했음을 시사하며, T/B 비율을 추가로 증가시켜도 성능 향상이 거의 없다는 것을 의미한다.