[논문 리뷰] Learning Optimal Dynamic Treatment Regimes Using Causal Tree Methods in Medicine

Theresa Blümlein, Joel Persson외 1명|arXiv (Cornell University)|2022. 04. 14.

Advanced Causal Inference Techniques인용 수 5

한 줄 요약

이 논문은 의료 분야에서 최적의 동적 치료 제도(DTR)를 학습하기 위한 새로운 원인적 트리 및 원인적 숲 방법인 DTR-CT와 DTR-CF를 제안한다. 이 방법들은 이중 강건성과 해석 가능성과 함께 비선형, 시간에 따라 변하는, 그리고 이질적인 치료 효과 추정을 활용함으로써, 합성 데이터와 실제 MIMIC-III ICU 데이터에서 최신 기술 대비 누적 회귀를 크게 감소시키고 의사결정 정확도를 향상시킨다.

ABSTRACT

Dynamic treatment regimes (DTRs) are used in medicine to tailor sequential treatment decisions to patients by considering patient heterogeneity. Common methods for learning optimal DTRs, however, have shortcomings: they are typically based on outcome prediction and not treatment effect estimation, or they use linear models that are restrictive for patient data from modern electronic health records. To address these shortcomings, we develop two novel methods for learning optimal DTRs that effectively handle complex patient data. We call our methods DTR-CT and DTR-CF. Our methods are based on a data-driven estimation of heterogeneous treatment effects using causal tree methods, specifically causal trees and causal forests, that learn non-linear relationships, control for time-varying confounding, are doubly robust, and explainable. To the best of our knowledge, our paper is the first that adapts causal tree methods for learning optimal DTRs. We evaluate our proposed methods using synthetic data and then apply them to real-world data from intensive care units. Our methods outperform state-of-the-art baselines in terms of cumulative regret and percentage of optimal decisions by a considerable margin. Our work improves treatment recommendations from electronic health record and is thus of direct relevance for personalized medicine.

연구 동기 및 목표

• 기존 DTR 방법들이 선형 모델이나 투명하지 않은 기계학습에 의존하여 전자 건강 기록 내 복잡한 비선형 관계를 포착하지 못하는 한계를 해결하기 위해.
• 시간에 따라 변하는 교란 요인을 통제하면서 이질적인 치료 효과를 추정하고, 해석 가능하고 데이터 기반의 최적 DTR을 학습하기 위한 방법을 개발하기 위해.
• 정적 원인적 트리 및 숲 방법을 동적이고 순차적인 의사결정 설정으로 확장하여, 순차적 치료에서 개인 맞춤형 치료 권고를 향상시키기 위해.
• 탄성 있고 원인적 추정 기반의 DTR가 전통적인 선형 모델 및 투명하지 않은 모델보다 누적 회귀와 의사결정 정확도 측면에서 뛰어나다는 것을 입증하기 위해.
• 실제 ICU 데이터를 활용하여 제안된 방법의 임상적 관련성과 해석 가능성 검증을 위해 (MIMIC-III 데이터베이스에서 확보된 실세계 ICU 데이터를 사용함.)

제안 방법

• 제안된 DTR-CT 방법은 환자 하위군에서 비선형적이고 조각별로 일정한 치료 효과 추정을 위해 원인적 트리를 사용하며, 각 시점에서 설명 가능한 규칙 기반 치료 결정을 가능하게 한다.
• DTR-CF 방법은 여러 개의 원인적 트리를 통합한 앙상블 학습을 활용하여 이질적인 치료 효과를 추정함으로써 강건성과 분산 감소를 향상시킨다.
• 두 방법 모두 정적 이질적 치료 효과 추정에서 순차적 DTR 설정으로 확장되었으며, 시간에 따라 변하는 교란 요인과 동적 의사결정을 허용한다.
• 이 방법들은 이중 강건성을 확보하여 결과 회귀와 성향 스코어 모델링을 조합함으로써 추정 안정성 향상과 편향 감소를 달성한다.
• 해석 가능성은 DTR-CT의 가시화 가능한 의사결정 트리와 DTR-CF의 변수 중요도 점수를 통해 달성되며, 임상의가 치료 규칙을 해석하고 검증할 수 있도록 한다.
• 이 방법들은 최적의 치료 정책을 추정하기 위해 역확률 가중치와 결과 회귀를 사용하여 훈련된다.

실험 결과

연구 질문

• RQ1 순차적 의료 의사결정에서 최적의 동적 치료 제도를 학습하기 위해 원인적 트리 및 숲 방법을 효과적으로 적용할 수 있는가?
• RQ2 DTR-CT와 DTR-CF는 합성 및 실세계 데이터에서 누적 회귀와 의사결정 정확도 측면에서 최신 기술 대비 선형 모델 및 투명하지 않은 모델을 능가하는가?
• RQ3 제안된 방법들이 복잡한 전자 건강 기록 데이터에서 시간에 따라 변하는 교란 요인을 얼마나 잘 통제하고 이질적인 치료 효과를 추정하는가?
• RQ4 DTR-CT와 DTR-CF의 설명 가능한 출력 결과가 임상 지식과 얼마나 일치하며 임상 의사결정 지원에 어떻게 기여하는가?
• RQ5 제안된 방법들이 관찰된 치료 제도에 비해 실세계 ICU 환경에서 환자 결과를 향상시킬 수 있는가?

주요 결과

• 합성 데이터에서 DTR-CT와 DTR-CF는 최고 성능을 보인 베이스라인 대비 누적 회귀를 20퍼센트 이상 감소시켜 최적의 치료 정책을 학습하는 데서 뛰어난 성능을 입증했다.
• 합성 실험에서 제안된 방법들은 모든 베이스라인 대비 최적의 치료 결정 비율이 높아, 의사결정 정확도 향상이 확인되었다.
• 실제 MIMIC-III ICU 데이터에서 DTR-CT와 DTR-CF는 음이 아닌 누적 보상값을 기록하여 관찰된 치료 제도보다 더 나은 기대 결과를 나타냈다.
• DTR-CF의 변수 중요도 분석에서 산소 포화도가 인공호흡 결정에, 혈압이 혈관 수축제 결정에 가장 영향을 미치는 공변량으로 밝혀졌으며, 이는 임상 지식과 일치했다.
• DTR-CT에서 추정된 원인적 트리는 서로 다른 최적의 치료 반응을 보이는 환자 하위군을 명확히 식별하여 투명하고 해석 가능한 의사결정 규칙을 제공했다.
• 다양한 하이퍼파rameter 설정에서 높은 성능 유지를 보이며, 튜닝에 대한 민감도가 낮고 실용적 사용성은 높다는 것을 확인했다.