[논문 리뷰] Individualized Treatment Selection: An Optimal Hypothesis Testing Approach In High-dimensional Models

Tianxi Cai, Tommaso Cai외 1명|arXiv (Cornell University)|2019. 04. 29.

Statistical Methods and Inference참고 문헌 45인용 수 8

한 줄 요약

이 논문은 고차원 선형 모형에서 개인화된 치료 선택을 위한 가설 검정 접근법을 제안한다. 이는 향후 고차원 관측치에서 일관된 유형 I 오류 제어를 보장하기 위해 개인화된 치료 효과(ITE)의 비편향 추정량을 사용한다. 이 방법은 점점 커지는 정규성, 최적의 검정력, 그리고 유한 표본에서 뛰어난 성능을 보이며, 최소최대 및 적응성 프레임워크 하에서 이론적으로 최적임을 입증한다.

ABSTRACT

The ability to predict individualized treatment effects (ITEs) based on a given patient's profile is essential for personalized medicine. The prediction of ITEs enables the comparison of the effectiveness of two treatment procedures for a specific individual. We propose a hypothesis testing approach to choosing between two available treatments for a given individual in the framework of high-dimensional linear models. The methodological novelty is the development of a testing procedure with the type-I error uniformly controlled for any future high-dimensional observation, while the existing methods can only handle certain specific forms of covariates observation. The procedure is based on a debiased estimator of the ITEs and its asymptotic normality. The asymptotic power of the proposed test is established and the finite sample performance is demonstrated in simulation studies. We introduce the optimality framework of hypothesis testing in high dimensions from both minimaxity and adaptivity perspectives and establish the optimality of the proposed procedure. The proposed method can be extended to conduct statistical inference for general linear contrasts, including both average treatment effect and the prediction problem. The procedure is further illustrated through an analysis of electronic health records data from patients with rheumatoid arthritis.

연구 동기 및 목표

• 고차원 공변량을 사용하여 환자 개개인에게 최적의 치료를 선택하는 데 도전하는 것.
• 향후 고차원 관측치에 관계없이 균일한 유형 I 오류 제어를 유지하는 통계적 검정 절차를 개발하는 것.
• 고차원 환경에서 최소최대 및 적응성 기준 하에서 절차의 이론적 최적성을 확립하는 것.
• 일반 선형 대비로의 확장을 통해 평균 치료 효과 및 예측 문제를 포함하는 것.
• 류마티스성 관절염 환자의 전자 건강 기록 데이터를 활용하여 방법을 검증하는 것.

제안 방법

• 고차원 환경에서 편향을 줄이기 위해 개인화된 치료 효과(ITE)의 비편향 추정량을 사용한다.
• 비편향 ITE 추정량의 점점 커지는 정규성을 활용하여 치료 선택을 위한 타당한 가설 검정을 구성한다.
• 모든 잠재적인 향후 고차원 공변량 실현값에 대해 균일한 유형 I 오류 제어를 보장한다.
• 최소최대 및 적응성 프레임워크를 통해 이론적 최적성을 입증하여 방법의 효율성을 확인한다.
• 일반 선형 대비(평균 치료 효과 및 예측 과제 포함)에 대한 통계적 추론으로 방법을 확장한다.
• 유한 표본 성능은 시뮬레이션 연구를 통해 평가되며, 실제 전자 건강 기록 데이터에 적용된다.

실험 결과

연구 질문

• RQ1 고차원 모형에서 균일한 유형 I 오류 제어를 유지하는 개인화된 치료 선택을 위한 가설 검정 프레임워크를 개발할 수 있는가?
• RQ2 제안된 방법은 고차원 설정에서 최소최대 위험과 적응성 측면에서 어떻게 최적성을 달성하는가?
• RQ3 다양한 고차원 구성 조건 하에서 제안된 검정의 점점 커지는 검정력은 무엇인가?
• RQ4 이 방법은 개인화된 치료 효과를 초월한 일반 선형 대비에 대한 추론으로 확장될 수 있는가?
• RQ5 이 방법은 유한 표본 및 실제 전자 건강 기록 데이터에서 어떻게 성능을 발휘하는가?

주요 결과

• 제안된 가설 검정 절차는 향후 모든 고차원 관측치에서 균일한 유형 I 오류 제어를 보이며, 기존 방법에서는 보장되지 않는 성질이다.
• 비편향 ITE 추정량은 점점 커지는 정규성을 확보하여 고차원 점점 커지는 설정 하에서 타당한 추론이 가능하다.
• 최소최대 및 적응성 프레임워크 하에서 최적의 점점 커지는 검정력을 보이며, 이론적 최적성을 확인한다.
• 시뮬레이션 연구를 통해 뛰어난 유한 표본 성능이 확인되었으며, 정확한 유형 I 오류 제어와 높은 검정력을 확보하였다.
• 실제 류마티스성 관절염 환자 전자 건강 기록 데이터 세트에서 최적의 치료를 성공적으로 식별하였다.
• 평균 치료 효과 및 기타 선형 대비에 대한 추론으로의 확장이 가능하여 실용적 유용성이 향상된다.