[논문 리뷰] Inference for treatment-specific survival curves using machine learning

Ted Westling, Alex Luedtke외 2명|arXiv (Cornell University)|2021. 06. 11.

Advanced Causal Inference Techniques인용 수 4

한 줄 요약

이 논문은 조건부 생존 함수를 추정하기 위해 기계학습을 활용하여 치료별 생존 곡선에 대한 교차 적합(double) 이중 강건 추정기(doubly robust estimator)를 제안한다. 이는 약한 규칙성 조건 하에서 일致성과 점근 정규성을 보장하며, 연속적 또는 이산적 시간에서 타당한 추론을 가능하게 한다. 또한 다수의 생존 추정기들을 조합하는 데 사용되는 새로운 통합 학습기(ensemble learner)를 포함하여, 교란 요인(confounding)이 존재하는 관찰 연구에서 강건성과 효율성을 향상시킨다.

ABSTRACT

In the absence of data from a randomized trial, researchers often aim to use observational data to draw causal inference about the effect of a treatment on a time-to-event outcome. In this context, interest often focuses on the treatment-specific survival curves; that is, the survival curves were the entire population under study to be assigned to receive the treatment or not. Under certain causal conditions, including that all confounders of the treatment-outcome relationship are observed, the treatment-specific survival can be identified with a covariate-adjusted survival function. Several estimators of this function have been proposed, including estimators based on outcome regression, inverse probability weighting, and doubly robust estimators. In this article, we propose a new cross-fitted doubly-robust estimator that incorporates data-adaptive (e.g. machine learning) estimators of the conditional survival functions. We establish conditions on the nuisance estimators under which our estimator is consistent and asymptotically linear, both pointwise and uniformly in time. We also propose a novel ensemble learner for combining multiple candidate estimators of the conditional survival estimators. Notably, our methods and results accommodate events occurring in discrete or continuous time (or both). We investigate the practical performance of our methods using numerical studies and an application to the effect of a surgical treatment to prevent metastases of parotid carcinoma on mortality.

연구 동기 및 목표

• 관찰 연구에서 교란 요인이 존재할 경우 치료별 생존 곡선에 대한 이중 강건 추정기를 개발하는 것.
• 조건부 생존 함수를 추정하기 위해 데이터 적응형 기계학습 방법을 통합하여 모형 잘못 설정에 대한 강건성을 향상시키는 것.
• 시간에 따라 균일한 점근 선형성과 가우시안 과정로의 약한 수렴을 확립하여 시간에 따른 추론을 가능하게 하는 것.
• 일관된 프레임워크 내에서 이산적 또는 연속적 시간에서의 사건 발생 시간 결과를 모두 처리하는 것.
• 다양한 조건부 생존 함수 추정기들을 통합하여 성능을 향상시키는 통합 학습 전략을 제안하는 것.

제안 방법

• 기계학습 기반의 부수적 추정기에서 과적합을 줄이기 위해 교차 적합을 사용하여 점근 정규성을 보장한다.
• 결과 회귀와 역확률 가중치를 결합한 이중 강건 추정 방정식을 활용하며, 조건부 생존 또는 케이서링 메커니즘 중 하나만 일致하게 추정된다면 추정기의 일치성을 유지한다.
• 관측된 사건 지표와 역확률 가중치를 포함하는 추정 방정식의 최소화를 통해 조건부 생존 함수를 추정하기 위한 손실 함수를 유도한다.
• 푸비니 정리(Fubini’s theorem)를 적용하여 시간과 조건부 기대값의 적분 순서를 바꾸는 것을 정당화하여 추정 방정식의 타당성을 확보한다.
• 다양한 후보 추정기들을 조합하는 통합 학습기를 도입하여 강건성과 효율성을 향상시킨다.
• 최종 추정기가 시간에 따라 균일하게 수렴하고 점근적으로 선형이 되는 조건을 확립하여, 신뢰구간과 가설 검정을 위한 타당한 근거를 제공한다.

실험 결과

연구 질문

• RQ1 기계학습 기반의 조건부 생존 함수 추정기로 치료별 생존 곡선에 대한 이중 강건 추정기를 구성하고 타당한 추론을 수행할 수 있는가?
• RQ2 제안된 추정기가 시간에 따라 균일한 점근 선형성을 가지기 위한 규칙성 조건은 무엇인가?
• RQ3 통합 학습을 통해 다수의 생존 추정기를 조합할 수 있는가? 이때 이중 강건성과 점근 정규성의 이론적 보장을 유지할 수 있는가?
• RQ4 사건 발생 시간이 이산적 또는 연속적일 경우에도 이 방법이 일치성과 타당한 추론을 유지하는가?
• RQ5 유연한 기계학습 방법을 사용하여 부수적 요소를 추정함에도 불구하고, 제안된 추정기가 파라미터 추정 속도에 도달할 수 있는가?

주요 결과

• 제안된 교차 적합 이중 강건 추정기는 미약한 규칙성 조건 하에서 균일한 점근 선형성을 보이며, 전체 시간 간격에서 타당한 추론을 가능하게 한다.
• 추정기는 강건한 평균이 0인 가우시안 과정로 약한 수렴을 보이며, 생존 곡선에 대한 신뢰구간 구축을 지원한다.
• 조건부 생존 함수 또는 케이서링 메커니즘이 일치하게 추정된다면 추정기가 일치성을 유지하므로, 모형 잘못 설정에 대한 강건성이 보장된다.
• 통합 학습기는 다양한 후보 추정기를 효과적으로 조합하여 유한 표본에서의 성능을 향상시키지만 이론적 보장을 손상시키지 않는다.
• 이론적 결과는 이산적 및 연속적 시간에서의 사건 발생 시간 결과 모두에 적용 가능하여 실제 데이터에 대한 적용 범위를 넓힌다.
• 수치적 연구와 파라티드 카르시노마 수술에 대한 실제 응용 사례를 통해 이 방법의 실용적 유용성과 기존 방법들에 비해 향상된 성능을 입증한다.