[논문 리뷰] Personalised Decision-Making without Counterfactuals

A. P. Dawid, Stephen Senn|arXiv (Cornell University)|2023. 01. 27.

Health Systems, Economic Evaluations, Quality of LifeEconomics, Econometrics and Finance인용 수 3

한 줄 요약

이 논문은 유다 펠의 개인화된 의료 결정에 대한 반사적 접근 방식을 도전하며, 이는 이론적으로 결함이 있으며 실천적으로 위험하다고 주장한다. 반면에 관측된 조건부 확률(Pr(Y=1|L=l,X←x))을 기반으로 한 전통적 의사결정 이론 프레임워크를 제안하여 회복률을 극대화하며, 반사적 추론이 불필요한 가정을 도입하고 실제 적용 시 유해한 임상 결정을 초래할 수 있음을 보여준다.

ABSTRACT

This article is a response to recent proposals by Pearl and others for a new approach to personalised treatment decisions, in contrast to the traditional one based on statistical decision theory. We argue that this approach is dangerously misguided and should not be used in practice.

연구 동기 및 목표

• 펄 등이 제안한 반사적 추론을 활용한 개인화된 치료 결정의 타당성과 안전성을 도전하기.
• 관측된 조건부 확률을 기반으로 한 전통적 의사결정 이론적 방법이 임상 의사결정에 비해 열등하고 더 신뢰할 수 있음을 보여주기.
• 반사적 모델이 내포한 핵심 가정들이 실제 의료 환경에서는 성립하기 어려운 점을 부각하기.
• 반사적 기반 접근 방식이 검증할 수 없는 인과적 가정을 수반하여 최적화되지 않거나 해로운 치료 결정을 초래할 수 있음을 보여주기.
• 반사적 유용성 프레임워크보다도 개입 기반 유용성과 관측 데이터 분포를 사용하는 것이 더 안전하고 실용적인 대안이 되어야 한다고 주장하기.

제안 방법

• 환자의 공변량 프로파일 L=l에 대해 최적의 치료를 결정하기 위해 관측된 조건부 확률 Pr(Y=1|L=l,X←x)를 기반으로 한 의사결정 이론적 프레임워크를 사용한다.
• 조건부 평균 치료 효과(CATE)를 CATE(l) = Pr(Y=1|L=l,X←1) - Pr(Y=1|L=l,X←0)로 정의하며, CATE(l) > 0일 경우 치료를 권고한다.
• 관측되지 않은 반사적 결과 대신 실제 개입 결과에 의존하는 개입 기반 유용성 접근 방식을 적용한다.
• 실험 데이터와, 가능하면 '의도된 치료' (X*)와 같은 공변량이 포함된 관측 데이터를 사용하여 복리도(PB)와 해로움 확률(PH)의 범위를 도입한다.
• 개입 확률을 행렬 형태 P(τ, ρ)로 표현하기 위해 τ(ATE)와 ρ의 파rameter를 사용하여 불확실성 하에서 PB와 PH의 범위를 도출한다.
• 실험적 데이터와 관측 데이터를 융합하여 의도된 치료 공변량(X*)의 분포를 특정함으로써, L이 관측되지 않을 경우에도 PB와 PH의 범위를 향상시킨다.

실험 결과

연구 질문

• RQ1 펄 등이 제안한 반사적 기반 개인화 의사결정 접근 방식은 이론적으로 타당하고 실천적으로 안전한가?
• RQ2 관측된 조건부 확률을 기반으로 한 전통적 의사결정 이론적 방법이 반사적 모델보다 치료 선택에서 뛰어나지 않는가?
• RQ3 반사적 모델이 내포한 핵심 가정들은 실제 임상 데이터에서는 성립하기 어려운가?
• RQ4 의도된 치료 행동에 대한 관측 데이터는 복리도(PB)와 해로움 확률(PH)의 범위를 어떻게 향상시킬 수 있는가?
• RQ5 PB와 PH의 범위가 점추정치로 수축하는 조건는 무엇이며, 이는 치료 결정에 어떤 영향을 미치는가?

주요 결과

• 펄 등이 제안한 반사적 기반 개인화 의료 접근 방식은 검증할 수 없는 가정으로 인해 위험하게 잘못된 방향으로 이어지고 실제 임상적 피해를 초래할 수 있다.
• 공변량 정보(L)가 없는 경우, 치료 결정은 추정된 또는 반사적 값이 아닌 무조건적 개입 확률에 기반해야 한다.
• L가 관측되지 않을 경우, 조건부 평균 치료 효과(CATE)가 양수일 경우에 치료하는 것이 최적의 전략이며, 이는 CATE(l) = 0.28인 예시 1에서 입증되었다.
• 실험 데이터와 함께 의도된 치료(X*)에 대한 관측 데이터를 활용하면, L가 관측되지 않을 경우에도 복리도(PB)와 해로움 확률(PH)의 범위를 더욱 좁힐 수 있다.
• 실험적 및 관측적 데이터를 융합하여 (X, Y, X*)의 공동 분포가 완전히 식별될 수 있을 경우, PB와 PH의 범위는 점추정치로 수축한다.
• 실제 개입 결과에 기반한 개입 기반 유용성 접근 방식은 반사적 가정이 타당할 경우에만 반사적 접근 방식과 동일한 최적의 결정을 도출하지만, 반사적 가정이 성립하지 않을 경우 잘못된 결론을 피할 수 있다.