[논문 리뷰] Double Variable Importance Matching to Estimate Distinct Causal Effects on Event Probability and Timing

Yuqi Li, Quinn Lanners외 1명|arXiv (Cornell University)|2026. 02. 04.

Advanced Causal Inference Techniques인용 수 0

한 줄 요약

요약: 이 논문은 치료의 이질적 효과를 추정하기 위해 혼합 치유 모델을 사용하여 이분 매칭 프레임워크를 제안한다. 이를 통해 치료 확률의 치유 여부와 시간-사건 데이터의 조건부 평균 사건 시간을 추정하는 두 개의 서로 다른 거리 지표를 학습하며, 매칭된 그룹 내에서 Kaplan–Meier 추정치를 통해 해석 가능한 HTE를 얻는다.

ABSTRACT

In many clinical contexts, estimating effects of treatment in time-to-event data is complicated not only by confounding, censoring, and heterogeneity, but also by the presence of a cured subpopulation in which the event of interest never occurs. In such settings, treatment may have distinct effects on (1) the probability of being cured and (2) the event timing among non-cured individuals. Standard survival analysis and causal inference methods typically do not separate cured from non-cured individuals, obscuring distinct treatment mechanisms on cure probability and event timing. To address these challenges, we propose a matching-based framework that constructs distinct match groups to estimate heterogeneous treatment effects (HTE) on cure probability and event timing, respectively. We use mixture cure models to identify feature importance for both estimands, which in turn informs weighted distance metrics for matching in high-dimensional spaces. Within matched groups, Kaplan-Meier estimators provide estimates of cure probability and expected time to event, from which individual-level treatment effects are derived. We provide theoretical guarantees for estimator consistency and distance metric optimality under an equal-scale constraint. We further decompose estimation error into contributions from censoring, model fitting, and irreducible noise. Simulations and real-world data analyses demonstrate that our approach delivers interpretable and robust HTE estimates in time-to-event settings.

연구 동기 및 목표

• 시간-사건 분석에서 장기적 치유 확률과 단기적 사건 타이밍을 구분해야 할 필요성 제시.
• 치유와 타이밍에 대한 공변량의 중요도를 식별하기 위해 혼합 치유 모델을 도입하여 매칭을 위한 맞춤형 거리 지표를 설계.
• 두 가지 서로 다른 추정치를 위한 일관된 추정기를 제공하는 이중 매칭 프레임워크 개발.
• 동일 스케일 제약에서 거리 지표의 일관성과 최적성에 대한 이론적 보장 제시.
• 시뮬레이션과 실제 백혈병 이식 데이터셋을 통한 성능 시연.

제안 방법

• 치료 군별로 별도의 혼합 치유 모델을 적합시켜 치유 확률과 사건-시간 분포에 대한 공변량 계수를 얻는다.
• 절댓값 계수를 이용해 두 개의 가중 거리 지표를 구성한다: W_cure = diag(|β1|, |β0|) 및 W_time = diag(|λ1|, |λ0|).
• 각 추정량에 대해 해당 거리 지표를 사용하여 독립적으로 KNN 스타일 매칭을 수행해 매칭된 그룹을 형성한다.
• 매칭된 치료군과 대조군에서 시간 H에서의 Kaplan–Meier 생존 함수 값을 이용해 치유 확률을 추정한다(π(x) = S_M1(H) − S_M0(H)).
• 매칭된 그룹 내에서 적분 기반 KM 추정을 통해 조건부 평균 사건 시간(CMET)을 추정한다: Δ(x) = [∫0^H S_M1(t) dt − H S_M1(H)] / [1 − S_M1(H)]에서 Z=0에 대한 유사항을 뺀 값.

Figure 1: Hypothetical Survival Curves Where Treatment Increases the Cure Probability yet Reduces the Conditional Mean Event Time.

실험 결과

연구 질문

• RQ1 치료의 치유 확률과 사건 타이밍에 대한 이질적 효과를 시간 horizon H 내에서 분리해 추정할 수 있는가?
• RQ2 이중 결과 가이드 매칭이 차원이 높은 설정에서 두 추정값의 추정 정확도를 개선하는가?
• RQ3 제안된 추정기가 표준 인과 가정 및 혼합 치유 프레임워크 아래에서 일관성을 가지는가?
• RQ4 치유-및 시간 특이적 거리 지표를 사용한 매칭이 일반 방법에 비해 매칭 품질 및 추정 오차에 미치는 영향은 무엇인가?
• RQ5 시뮬레이션 및 실제 임상 코호트에서의 성능은 어떠한가?

주요 결과

방법	치유(설정 1)	시간(설정 1)	치유(설정 2)	시간(설정 2)	치유(설정 3)	시간(설정 3)	치유(설정 4)	시간(설정 4)
Oracle	6.6 ± 0.2	12.3 ± 1.3	6.3 ± 0.3	22.0 ± 1.8	6.7 ± 0.4	16.0 ± 1.9	6.8 ± 0.3	18.2 ± 1.5
Partial Oracle	7.7 ± 0.3	26.8 ± 1.5	7.6 ± 0.2	32.6 ± 1.5	8.0 ± 0.3	31.3 ± 1.8	8.3 ± 0.3	33.4 ± 1.5
MCM KNN	7.9 ± 0.3	26.8 ± 1.0	7.6 ± 0.2	33.3 ± 1.5	8.3 ± 0.3	31.4 ± 1.3	8.7 ± 0.3	38.5 ± 1.3
MCM KNN combined	8.0 ± 0.3	27.6 ± 1.1	7.8 ± 0.2	39.4 ± 1.6	8.7 ± 0.3	33.4 ± 1.2	8.9 ± 0.3	45.9 ± 1.5
Feature Selection KNN	8.2 ± 0.3	28.0 ± 1.1	8.0 ± 0.2	43.2 ± 1.8	9.4 ± 0.5	38.1 ± 2.5	9.4 ± 0.4	41.5 ± 2.6
Euclidean KNN	9.9 ± 0.3	29.8 ± 1.1	8.3 ± 0.2	48.7 ± 1.6	10.5 ± 0.4	52.1 ± 1.1	10.8 ± 0.4	55.6 ± 1.3
Propensity Score KNN	17.2 ± 0.2	37.1 ± 1.3	9.6 ± 0.4	91.9 ± 1.2	19.2 ± 0.2	70.3 ± 0.9	19.2 ± 0.2	88.7 ± 0.9
Prognostic Score KNN	13.6 ± 0.5	38.3 ± 1.8	8.4 ± 0.4	92.9 ± 1.6	14.5 ± 0.5	60.4 ± 2.1	15.4 ± 0.4	68.9 ± 2.4
Cox Model (no match)	5.2 ± 0.6	36.2 ± 2.2	8.2 ± 0.7	78.7 ± 3.1	7.7 ± 0.7	58.0 ± 1.3	8.6 ± 0.7	67.5 ± 1.5

• 제안된 이중 매칭 접근법은 표준 가정 및 동일 스케일 거리 제약 하에서 HTE 추정값의 일관성을 보인다.
• 치유 및 시간 구성요소에서 학습된 거리 지표가 유클리드 거리나 일반 예측 점수 방법보다 매칭 품질을 향상시킨다.
• 시뮬레이션 전반에 걸쳐 두 추정치의 평균 절대 오차(MAE)가 여러 베이스라인보다 작고, 일부 설정에서 해설자(oracle) 성능에 근접한다.
• 실데이터 ALL( Haplo-SCT 대 MSDT 비교)에서 MCM 방법은 HTE의 분포를 집중적이고 대칭적으로 만들어 두 군 사이의 의미 있는 구분을 제공하며, 매칭이 없는 Cox 모델보다 치유 및 타이밍의 이질성 캡처에 더 우수하다.
• 프레임워크는 추정 오차를 검열, 모델 적합, 불가역적 잡음으로 분해하여 불확실성의 원인을 명확히 한다.

Figure 2: Absolute HTE Estimation Error on Cure Probability.