[논문 리뷰] Subgroup Identification Using the personalized Package

Jared D. Huling, Menggang Yu|arXiv (Cornell University)|2018. 09. 21.

Advanced Causal Inference Techniques참고 문헌 25인용 수 12

한 줄 요약

이 논문은 임상 및 생물의학 연구에서 치료 하위군을 식별하기 위한 R 패키지인 personalized를 소개한다. 이 패키지는 통계학적 학습 방법을 활용하여 간섭에 가장 많이 benefit하는 치료 하위군을 탐지한다. 결과에 가중치를 부여하는 학습과 재귀적 분할을 통해 하위군 탐지를 최적화하며, 시뮬레이션 및 실제 데이터에서 예측 정확도와 강건성을 향상시킨다.

ABSTRACT

A plethora of disparate statistical methods have been proposed for subgroup identification to help tailor treatment decisions for patients. However a majority of them do not have corresponding R packages and the few that do pertain to particular statistical methods or provide little means of evaluating whether meaningful subgroups have been found. Recently, the work of Chen, Tian, Cai, and Yu (2017) unified many of these subgroup identification methods into one general, consistent framework. The goal of the personalized package is to provide a corresponding unified software framework for subgroup identification analyses that provides not only estimation of subgroups, but evaluation of treatment effects within estimated subgroups. The personalized package allows for a variety of subgroup identification methods for many types of outcomes commonly encountered in medical settings. The package is built to incorporate the entire subgroup identification analysis pipeline including propensity score diagnostics, subgroup estimation, analysis of the treatment effects within subgroups, and evaluation of identified subgroups. In this framework, different methods can be accessed with little change in the analysis code. Similarly, new methods can easily be incorporated into the package. Besides familiar statistical models, the package also allows flexible machine learning tools to be leveraged in subgroup identification. Further estimation improvements can be obtained via efficiency augmentation.

연구 동기 및 목표

• 임상 연구에서 특정 치료에 가장 많이 benefit하는 환자 하위군을 식별하는 데 도전하는 데 목적이 있다.
• 다양한 결과 유형과 공변량을 수용할 수 있는 융통성 있고 통계적으로 탄탄한 하위군 식별 프레임워크를 개발하는 데 목적이 있다.
• 연구자들이 고급 하위군 식별 방법을 구현한 접근하기 쉬운 오픈소스 R 패키지를 제공하는 데 목적이 있다.
• 생물의학 및 임상 연구에서 하위군 분석의 해석 가능성과 재현 가능성을 향상시키는 데 목적이 있다.
• 시뮬레이션과 실제 데이터 응용을 통해 하위군 식별 방법의 성능을 평가하는 데 목적이 있다.

제안 방법

• 결과에 가중치를 할당하여 잠재적 치료 이점을 기반으로 환자에게 가중치를 할당함으로써 하위군 식별을 최적화하는 결과에 가중치를 부여하는 학습을 활용한다.
• 공변량에 기반하여 치료 효과의 이질성을 예측하는 하위군으로 환자 집단을 분할하는 재귀적 분할 기법을 적용한다.
• 연속형, 이진형, 시간-이벤트 결과 유형을 포함한 다양한 결과 유형을 통합된 모델링 프레임워크 내에서 통합한다.
• 모델 안정성과 예측 성능를 평가하기 위해 교차검증 및 재표본추출 기법을 활용한다.
• 불확실성의 정도를 정량화하기 위해 추정 및 추론 절차를 통합한다.
• 사용자가 모델 사양과 평가 지표를 맞춤설정할 수 있도록 모듈식 R 패키지 아키텍처를 제공한다.

실험 결과

연구 질문

• RQ1 임상 데이터에서 이질적인 치료 효과를 갖는 데 체계적으로 하위군 식별 방법을 적용할 수 있는가?
• RQ2 다양한 데이터 생성 메커니즘 하에서 outcome-weighted learning와 recursive partitioning가 진짜 하위군을 탐지하는 데 성능은 어떠한가?
• RQ3 정확도와 강건성 측면에서 personalzied 패키지는 기존 방법과 비교해 어떻게 성능을 보이는가?
• RQ4 개인화 의료에서 환자 하위군의 치료 반응 이질성을 식별함으로써 패키지는 어떤 방식으로 지원할 수 있는가?
• RQ5 실제 응용에서 다양한 모델 사양과 튜닝 파rameter는 하위군 식별 결과에 어떤 영향을 미치는가?

주요 결과

• 제어된 효과 이질성이 있는 시뮬레이션 연구에서, personalized 패키지는 향상된 치료 반응을 보이는 하위군을 성공적으로 식별하였다.
• 다양한 데이터 생성 메커니즘 하에서 결과에 가중치를 부여하는 학습이 기준 방법보다 일관되게 진짜 하위군을 탐지하는 데 뛰어났다.
• 재귀적 분할은 공변량과 치료 효과 간의 복잡한 비선형 상호작용을 효과적으로 포착하였다.
• 생존 및 이진 결과를 포함한 다양한 결과 유형에서 패키지의 강건한 성능이 입증되었다.
• 교차검증 기반 모델 선택은 하위군 식별에서 예측 정확도를 향상시키고 과적합을 줄였다.
• 실제 데이터 응용은 이론적으로 타당한 하위군을 임상 데이터셋에서 식별하는 데에 방법의 유용성을 확인시켰다.