[논문 리뷰] Federated Adaptive Causal Estimation (FACE) of Target Treatment Effects

Larry Han, Jue Hou외 3명|arXiv (Cornell University)|2021. 12. 17.

Advanced Causal Inference Techniques인용 수 10

한 줄 요약

FACE는 다양한 이질적인 사이트에서 유입된 데이터를 적응적으로 조합하여 정확도와 강건성을 향상시킨 타겟 평균 치료 효과(TATE)를 추정하는 분산 인과추론 프레임워크이다. 밀도 비율 가중치와 정규화된 회귀를 사용한 적응적 사이트 가중치 부여 방식을 통해 FACE는 더 높은 효율성을 달성하고 부정적 전이를 방지하며, 실제 코로나19 백신 연구에서 5개의 VA 사이트를 대상으로 표준편차를 26–67% 감소시켰다.

ABSTRACT

Federated learning of causal estimands may greatly improve estimation efficiency by leveraging data from multiple study sites, but robustness to heterogeneity and model misspecifications is vital for ensuring validity. We develop a Federated Adaptive Causal Estimation (FACE) framework to incorporate heterogeneous data from multiple sites to provide treatment effect estimation and inference for a flexibly specified target population of interest. FACE accounts for site-level heterogeneity in the distribution of covariates through density ratio weighting. To safely incorporate source sites and avoid negative transfer, we introduce an adaptive weighting procedure via a penalized regression, which achieves both consistency and optimal efficiency. Our strategy is communication-efficient and privacy-preserving, allowing participating sites to share summary statistics only once with other sites. We conduct both theoretical and numerical evaluations of FACE and apply it to conduct a comparative effectiveness study of BNT162b2 (Pfizer) and mRNA-1273 (Moderna) vaccines on COVID-19 outcomes in U.S. veterans using electronic health records from five VA regional sites. We show that compared to traditional methods, FACE meaningfully increases the precision of treatment effect estimates, with reductions in standard errors ranging from $26\%$ to $67\%$.

연구 동기 및 목표

• 이질적인 의료기관 사이트에서 타겟 평균 치료 효과(TATE)를 강건하고 효율적으로 추정할 수 있는 분산 인과추론 프레임워크를 개발하는 것.
• 공변량 이동, 모형 오Specification, 데이터 공유 제한과 같은 문제를 해결하기 위한 다중 사이트 인과추론의 과제를 해결하는 것.
• 정규화된 회귀를 통해 비호환성 또는 편향이 있는 원천 사이트를 적응적으로 저감함으로써 부정적 전이를 방지하는 것.
• 모든 사이트 간에 요약 통계자료만을 공유함으로써 의사소통 효율성과 개인정보 보호를 보장하는 것.
• 특정 의료기관 또는 관심 있는 하위집단을 포함한 타겟 인구의 영향을 유연하게 설정할 수 있도록 하는 것.

제안 방법

• FACE는 공변량 분포의 사이트 수준 이질성을 고려하기 위해 밀도 비율 가중치를 사용한다.
• 일관성과 최적의 효율성을 확보하기 위해 원천 사이트의 추정기들을 선택하고 조합하는 정규화된 회귀 기반의 적응적 가중치 부여 절차를 적용한다.
• 프레임워크는 사이트별 효율 추정기들의 선형 조합으로 구성된 글로벌 추정기를 구축하며, 분산을 최소화하는 가중치를 부여한다.
• 의사소통 효율성이 뛰어나며, 사이트 간에 요약 통계자료를 한 번만 공유하면 되므로 개인정보 보호가 유지된다.
• 영향 함수와 이중으로 강건한 추정을 활용하여 모형 오Specification에 대한 강건성을 향상시킨다.
• 모든 원천 사이트가 호환되는 이상적인 조건 하에서 추정기는 점차적으로 반반파라미터 효율 한계에 도달한다.

Figure 1 : Setting 1. Bias, RMSE, coverage, and length of $95\%$ CI’s of the target-only, SS, FACE, exponentially-tilted AIPW, and IVW estimators of the TATE across 500 simulations with misspecified density ratio models.

실험 결과

연구 질문

• RQ1 다양한 의료기관에서 유래한 이질적 관찰 데이터를 어떻게 조합하여 특정 타겟 인구의 치료 효과를 추정할 수 있는가?
• RQ2 어떤 적응적 가중치 전략이 모형 오Specification에 강건하고 분산 인과추론에서의 부정적 전이를 방지할 수 있는가?
• RQ3 분산 인과추론이 전통적인 단일 사이트 방법에 비해 정밀도를 얼마나 향상시킬 수 있는가?
• RQ4 분산된 데이터 소스 간 협업 인과추론을 가능하게 하면서도 개인정보 보호와 의사소통 효율성을 어떻게 유지할 수 있는가?
• RQ5 관찰 연구 데이터와 무작위 대조 시험 데이터가 모두 포함된 설정으로 프레임워크를 확장할 수 있는가?

주요 결과

• 실제로 미국 전우회에서 mRNA 백신을 대상으로 한 연구에서 FACE는 전통적 방법 대비 치료 효과 추정의 표준편차를 26%에서 67%까지 감소시켰다.
• 적응적 가중치 부여 절차는 비호환성 또는 편향이 있는 원천 사이트를 성공적으로 저감시켜 부정적 전이를 방지했다.
• 정규화된 회귀 기반의 선택 메커니즘을 통해 여러 사이트의 추정기를 최적으로 조합함으로써 FACE는 더 높은 추정 효율성을 달성했다.
• 모형 오Specification과 사이트 간 공변량 이동 조건에서도 프레임워크는 강건성과 일관성을 유지했다.
• 5개의 VA 지역 사이트에서의 전자 건강기록을 활용한 실질적 응용에서 효과적으로 기능하여 실용적 유용성을 입증했다.
• FACE는 무작위 대조 시험 데이터가 포함된 설정으로도 확장 가능하며, 유사한 인구집단의 관찰 데이터를 활용해 치료 효과 추정의 분산을 줄일 수 있다.

Figure 2 : FACE ensemble weights $\widehat{\boldsymbol{\eta}}$ for each site across eight sparsity levels