[논문 리뷰] Random Forests of Interaction Trees for Estimating Individualized Treatment Effects in Randomized Trials

Xiaogang Su, Annette T. Peña외 2명|arXiv (Cornell University)|2017. 09. 14.

Advanced Causal Inference Techniques참고 문헌 3인용 수 3

한 줄 요약

이 논문은 랜덤 포레스트 오브 인터랙션 트리(RFIT)를 제안하며, 더 빠른 트리 구축을 위해 부드러운 시그모이드 서로서프(Smooth Sigmoid Surrogate, SSS)를 사용하고, 표준 오차를 추정하기 위해 무한소 잭나이프를 적용함으로써, 무작위 배정 시험에서 개별 치료 효과(ITE) 추정을 향상시키는 새로운 앙상블 방법이다. RFIT는 전통적인 별도의 회귀보다 편향을 줄이고 정확도를 향상시켜, 소규모에서 중간 규모의 표본 크기에서 특히 뛰어난 성능을 보인다.

ABSTRACT

Assessing heterogeneous treatment effects has become a growing interest in advancing precision medicine. Individualized treatment effects (ITE) play a critical role in such an endeavor. Concerning experimental data collected from randomized trials, we put forward a method, termed random forests of interaction trees (RFIT), for estimating ITE on the basis of interaction trees (Su et al., 2009). To this end, we first propose a smooth sigmoid surrogate (SSS) method, as an alternative to greedy search, to speed up tree construction. RFIT outperforms the traditional `separate regression' approach in estimating ITE. Furthermore, standard errors for the estimated ITE via RFIT can be obtained with the infinitesimal jackknife method. We assess and illustrate the use of RFIT via both simulation and the analysis of data from an acupuncture headache trial.

연구 동기 및 목표

• 정밀 의료에서 무작위 배정 시험 데이터를 활용해 개별 치료 효과(ITE)를 추정하는 데 도전하는 데 목적이 있다.
• 기존의 별도의 회귀(SR) 방법과 비교해, ITE 추정의 편향을 줄이고 정확도를 향상시키는 데 목적이 있다.
• 탐욕적 탐색을 대체하기 위해 부드러운 시그모이드 서로서프(SSS)를 사용해 상호작용 트리를 더 빠르고 안정적으로 구축할 수 있는 계산적으로 효율적인 방법을 개발하는 데 목적이 있다.
• 무한소 잭나이프 방법을 통해 RFIT에서 유도된 ITE 추정치의 유효한 표준 오차를 제공하는 데 목적이 있다.
• 시뮬레이션과 간질 통증 치료 시험의 실제 데이터를 통해 방법의 성능을 입증하는 데 목적이 있다.

제안 방법

• RFIT는 개별 치료 효과(ITE) 추정을 위해 치료-예측변수 상호작용을 모델링하는 데 상호작용 트리(IT)를 기반으로 한 랜덤 포레스트를 활용한다.
• 탐욕적 탐색의 대체로 부드러운 시그모이드 서로서프(SSS)를 도입하여, 더 빠르고 안정적인 트리 성장을 가능하게 한다.
• 무한소 잭나이프 방법을 확장하여 RFIT에서 유도된 ITE 추정치의 표준 오차를 계산한다.
• 이 방법은 숲의 종단 노드 내에서 치료군과 대조군 간 예측된 결과값의 차이로 ITE를 추정한다.
• RFIT는 여러 상호작용 트리에 대한 배깅과 앙상블 평균을 통해 분산을 줄이고 강건성을 향상시킨다.
• 종단 노드 내 예측변수 균형을 점검하고, 균형이 깨진 경우 추가 조정을 적용할 수 있다.

실험 결과

연구 질문

• RQ1 RFIT는 별도의 회귀와 비교해, 편향과 평균제곱오차 측면에서 개별 치료 효과(ITE) 추정에 있어 어떻게 성능을 보이는가?
• RQ2 부드러운 시그모이드 서로서프(SSS)는 추정 정확도를 유지하거나 향상시키면서 트리 구축을 어떻게 빠르게 만들 수 있는가?
• RQ3 무한소 잭나이프 방법은 RFIT 프레임워크에서 ITE 추정치의 표준 오차를 추정하는 데 유효한가?
• RQ4 예측변수로 정의된 다양한 하위군에서 이질적 치료 효과를 탐지하는 데 RFIT는 얼마나 잘 성능을 내는가?
• RQ5 표본 크기와 데이터 구성이 다양할 경우에도 RFIT는 양호한 성능을 유지하는가?

주요 결과

• RFIT는 특히 소규모에서 중간 규모의 표본 크기(n=100 및 n=500)에서 별도의 회귀(SR)보다 ITE 추정의 편향을 크게 줄였다.
• n=500일 때, RFIT는 편향이 감소하는 경향을 보였지만, SR은 극단적인 ITE 값 예측에서 여전히 상당한 편향을 보였다.
• RFIT에서 유도된 ITE 추정치의 범위는 SR보다 더 넓었으며, 이는 낮은 분산과 진짜 ITE 값의 더 나은 커버리지 반영을 의미한다.
• 무한소 잭나이프를 통해 유도된 표준 오차 공식은 유효하며, 시뮬레이션에서 ITE 추정치의 변동성을 정확히 반영했다.
• 간질 통증 치료 시험에서 RFIT는 치료 효과가 다른 하위군을 성공적으로 식별하여 실용적 유용성을 입증했다.
• SSS 방법은 추정 정확도를 손상시키지 않은 채 트리 구축 속도를 높이고 안정성을 향상시켰다.