[논문 리뷰] Learning Optimal Personalized Treatment Rules Using Robust Regression Informed K-NN

Ruidi Chen, Ioannis Ch. Paschalidis|arXiv (Cornell University)|2018. 11. 14.

Machine Learning in Healthcare참고 문헌 12인용 수 4

한 줄 요약

이 논문은 전자 건강 기록(EHR)을 사용하여 최적의 개인화된 치료 규칙을 학습하기 위한 강건하고 해석 가능한 방법을 제안한다. 이는 정규화된 최소 절대 편차(RLAD) 회귀와 결과 예측을 위한 K-최근접 이웃(K-NN)을 조합한 것이다. 이 방법은 RLAD를 사용해 특성 가중치를 추정하여 강건한 거리 척도를 만들고, 안정적인 국소 비선형 예측을 가능하게 하며, 예측된 결과에 반비례하는 확률을 가진 랜덤화된 사전 처방 정책을 적용하여 표준 치료법을 초월해 당뇨병에서 HbA1c 감소와 고혈압에서 수축기 혈압 조절을 향상시킨다.

ABSTRACT

We develop a prediction-based prescriptive model for learning optimal personalized treatments for patients based on their Electronic Health Records (EHRs). Our approach consists of: (i) predicting future outcomes under each possible therapy using a robustified nonlinear model, and (ii) adopting a randomized prescriptive policy determined by the predicted outcomes. We show theoretical results that guarantee the out-of-sample predictive power of the model, and prove the optimality of the randomized strategy in terms of the expected true future outcome. We apply the proposed methodology to develop optimal therapies for patients with type 2 diabetes or hypertension using EHRs from a major safety-net hospital in New England, and show that our algorithm leads to a larger reduction of the HbA1c, for diabetics, or systolic blood pressure, for patients with hypertension, compared to the alternatives. We demonstrate that our approach outperforms the standard of care under the robustified nonlinear predictive model.

연구 동기 및 목표

• EHR에서의 노이즈, 누락 데이터 및 비선형성을 다루며 최적의 치료 규칙을 학습하는 데 목적을 두며.
• 표준 치료법을 초월하는 계산 효율성과 해석 가능성에 기반한 개인화 의료를 위한 방법을 개발하며.
• 임상 데이터에서 외곽치 및 분포 이탈에 대한 강건성을 확보하며.
• 랜덤화된 치료 정책의 표본 외 성능과 최적성에 대한 이론적 보장을 제공하며.
• 표준 치료법이 알려져 있거나 모호한 환경에서도 적용 가능하도록 하며.

제안 방법

• 외곽치에 대비하여 절대 편차를 최소화하는 정규화된 LAD(RLAD) 문제를 사용해 강건한 선형 계수를 추정한다.
• 제곱된 RLAD 계수를 가중치로 사용하여 K-NN에 대한 가중 거리 척도를 구성하며, 결과 예측에 가장 기여하는 특성에 중점을 둔다.
• 각 치료군 내에서 K개의 가장 가까운 이웃의 결과를 평균하여 각 치료에 대한 향후 결과를 예측한다.
• 치료 확률이 예측된 결과의 지수화된 값에 반비례하는 랜덤화된 사전 처방 정책을 적용하여 탐색과 강건성을 증진한다.
• 치료 권고를 위한 폐쇄형 해를 유도하여 기존의 교차 검증 기반 선택보다 계산 효율성을 향상시킨다.
• 이 방법은 2型 당뇨병 및 고혈압 환자에 대한 실질적인 EHR 데이터를 기반으로 검증되었다.

실험 결과

연구 질문

• RQ1 RLAD와 K-NN에 기반한 강건하고 비모수적 방법이 표준 예측 및 사전 처방 모델보다 개인화된 치료 권고에서 더 우수한 성능을 보일 수 있는가?
• RQ2 예측된 결과에 기반한 랜덤화된 정책이 결정론적 정책보다 더 나은 기대 향후 결과를 도출할 수 있는가?
• RQ3 제안된 방법이 실제 EHR 데이터에서의 노이즈, 누락 데이터 및 비선형성 문제를 어떻게 다루는가?
• RQ4 표준 치료법이 알려져 있거나 변동성이 있는 상황에서도 이 방법을 적용할 수 있는가?
• RQ5 랜덤화된 치료 규칙의 표본 외 성능과 최적성에 대한 이론적 보장은 무엇인가?

주요 결과

• 당뇨병 환자에서 HbA1c 예측에 대해 RLAD+K-NN 모델은 R²가 0.52로 가장 높고, MSE는 1.34로 가장 낮아, OLS, LASSO, Huber 및 단독 K-NN보다 뛰어난 성능을 보였다.
• 고혈압 환자에 대해 모델은 R²가 0.36, MSE가 159.74를 기록하여 Huber(R² 0.22)와 CART(R² 0.25)보다 유의미하게 뛰어났다.
• 다음으로 우수한 방법과 비교해 당뇨병에서 평균 절대 오차(MAE)가 1% 감소했고, 고혈압에서도 1% 감소했으며, 중앙값 오차 개선률은 각각 1%와 2%였다.
• 랜덤화된 정책은 강건한 예측 모델 기반으로 표준 치료법보다 HbA1c와 수축기 혈압 감소를 더 크게 이끌어냈다.
• 특성 중요도 분석 결과, 당뇨병의 경우 HbA1c, 혈액 포도당, 수축기 혈압이 주요 예측 변수였고, 고혈압의 경우 수축기 혈압, 연령, 나트륨이 핵심 예측 변수로 나타났다.
• 치료 권고를 위한 폐쇄형 임계값은 이전 연구에서 교차 검증 기반 선택 방식보다 계산 효율성을 향상시켰다.