[논문 리뷰] Inference for the Effectiveness of Personalized Medicine with Software

Adam Kapelner, Justin Bleich외 4명|arXiv (Cornell University)|2014. 04. 30.

Advanced Causal Inference Techniques참고 문헌 40인용 수 5

한 줄 요약

이 논문은 임상의가 환자별 특성에 기반한 개인화된 치료 전략이 표준 치료보다 결과를 향상시키는지 통계적으로 평가할 수 있도록 해주는 오픈소스 R 패키지인 PTE를 소개한다. 단일 단계 임상 시험에서의 샘플 외 데이터에 대해 부트스트랩 리샘플링을 사용함으로써 PTE는 치료 개선에 대한 신뢰구간과 가설 검정을 제공하여 실생활 환경에서 개인화된 의료 평가에 실용적인 도구를 제공한다.

ABSTRACT

In medical practice, when more than one treatment option is viable, there is little systematic use of individual patient characteristics to estimate which treatment option is most likely to result in a better outcome for the patient. This is due in part because practitioners do not have any easy way to holistically evaluate whether their treatment allocation procedure does better than the standard of care --- a metric we term improvement. Herein, we present easy-to-use open-source software that provides inference for improvement in many scenarios, the R package PTE, Personalized Treatment Evaluator and in the process introduce methodological advances in personalized medicine. In the software, the practitioner inputs (1) data from a single-stage randomized trial with one continuous, incidence or survival endpoint and (2) a functional form of a model for the endpoint constructed from domain knowledge. The bootstrap is then employed on out-of-sample data to provide confidence intervals for the improvement for future patients. One may also test against a null scenario where the hypothesized model's treatment allocations are not more useful than the standard of care. We demonstrate our method's promise on simulated data as well as on data from a randomized trial investigating two treatments for depression.

연구 동기 및 목표

• 임상의가 개인화된 치료 배정이 표준 치료보다 결과를 향상시키는지 평가하기 위한 체계적인 도구가 부족한 문제를 해결하기 위해.
• 실제 데이터를 사용하여 치료 개선에 대한 추론을 가능하게 하는 사용자 친화적이고 오픈소스 소프트웨어 솔루션을 개발하기 위해.
• 임상 시험에서의 샘플 외 데이터를 사용하여 개인화된 의료에서의 개선에 대한 신뢰구간과 가설 검정을 제공하기 위해.
• 임상적 의사결정과 개인화된 치료 전략에 대한 통계적 평가 사이의 격차를 메우기 위해.

제안 방법

• 이 방법은 연속형, 발생률 또는 생존 시간을 종료점으로 하는 단일 단계 임상 시험 데이터를 입력으로 사용한다.
• 분야 전문 지식을 바탕으로 종료점에 대한 모델을 설정하여 후보 개인화된 치료 규칙을 표현한다.
• 미래의 환자 집단을 시뮬레이션하기 위해 부트스트랩 리샘플링을 통해 샘플 외 데이터를 생성한다.
• 개선 지표의 부트스트랩 분포를 사용하여 치료 개선에 대한 신뢰구간을 구축한다.
• 개선된 개인화 모델의 성능이 표준 치료를 뛰어넘는지 평가하기 위해 가설 검정을 수행한다.
• 이 방법은 PTE R 패키지로 구현되어 있어 임상의와 연구자들이 실용적으로 적용할 수 있도록 한다.

실험 결과

연구 질문

• RQ1 환자의 특성에 기반한 개인화된 치료 규칙이 임상 실무에서 표준 치료보다 더 좋은 결과를 가져올 수 있는가?
• RQ2 임상의는 어떻게 개인화된 치료 전략이 표준 치료를 얼마나 잘 뛰어넘는지 신뢰성 있게 정량화할 수 있는가?
• RQ3 샘플 외 데이터를 사용하여 치료 개선의 유의미성을 평가하기 위해 어떤 통계적 추론 프레임워크를 사용할 수 있는가?
• RQ4 이러한 방법은 연속형, 발생률 또는 생존 결과를 포함한 현실적인 임상 시험 상황에서 어떻게 성능을 보이는가?

주요 결과

• PTE 소프트웨어는 샘플 외 데이터에 대한 부트스트랩 리샘플링을 사용하여 치료 개선에 대한 타당한 신뢰구간을 성공적으로 제공한다.
• 이 방법은 개인화된 모델의 치료 배정이 표준 치료를 뛰어넘는지 여부를 판단하기 위한 가설 검정을 가능하게 한다.
• 시뮬레이션 연구 결과, 다양한 데이터 생성 시나리오 하에서 개선도를 신뢰성 있게 추정할 수 있음을 입증하였다.
• 실제 우울증 치료를 위한 임상 시험에 대해 검증된 결과, 임상적 의사결정에 실용적인 유용성을 보였다.
• 오픈소스 R 패키지인 PTE는 다양한 임상 환경에서 개인화된 의료 평가에 대해 확장 가능하고 접근 가능한 도구를 제공한다.