[논문 리뷰] Survivor average causal effects for continuous time: a principal stratification approach to causal inference with semicompeting risks

Leah A. Comment, Fabrizia Mealli외 2명|arXiv (Cornell University)|2019. 02. 15.

Advanced Causal Inference Techniques참고 문헌 22인용 수 16

한 줄 요약

이 논문은 연속 시간 결과를 갖는 반완전 경쟁 위험 설정에서, 치료와 관계없이 항상 생존할 개체군을 정의하기 위해 주된 집단 분류를 사용하여, 시간에 따라 변하는 생존자 평균 인과효과(TV-SACE)와 제한된 평균 생존자 평균 인과효과(RM-SACE)라는 두 가지 새로운 인과적 추정량을 도입한다. 이 방법은 이환-사망 모델에 위험도를 포함한 베이지안 모델을 사용하여, 사망에 의한 절단과 이벤트 간 개인 내 상관관계를 고려하여 인과적 효과를 추정한다.

ABSTRACT

In semicompeting risks problems, nonterminal time-to-event outcomes such as time to hospital readmission are subject to truncation by death. These settings are often modeled with illness-death models for the hazards of the terminal and nonterminal events, but evaluating causal treatment effects with hazard models is problematic due to conditioning on survival (a post-treatment outcome) that is embedded in the definition of a hazard. Extending an existing survivor average causal effect (SACE) estimand, we frame the evaluation of treatment effects in the context of semicompeting risks with principal stratification and introduce two new causal estimands: the time-varying survivor average causal effect (TV-SACE) and the restricted mean survivor average causal effect (RM-SACE). These principal causal effects are defined among units that would survive regardless of assigned treatment. We adopt a Bayesian estimation procedure that parameterizes illness-death models for both treatment arms. We outline a frailty specification that can accommodate within-person correlation between nonterminal and terminal event times, and we discuss potential avenues for adding model flexibility. The method is demonstrated in the context of hospital readmission among late-stage pancreatic cancer patients.

연구 동기 및 목표

• 사망이 이러한 결과를 절단함에 따라 비종결성 시간-이벤트 결과(예: 재입원)에 대한 치료 효과 평가의 과제를 해결하기 위해.
• 치료 후 생존을 조건으로 하는 위험 기반 모델의 한계를 극복하기 위해, 이는 인과적 해석을 약화시킨다.
• 비종결성 결과의 시간-이벤트 성격과 이벤트 발생 시점에 명시적으로 초점을 맞춘 인과적 추정량을 개발하기 위해.
• 고사망률 집단에서 삶의 질의 트레이드오프를 반영하는 더 정보적인 시간에 따라 변화하는 인과적 효과를 의사결정자에게 제공하기 위해.
• 불완전 식별성 문제를 다루고, 반완전 경쟁 위험 설정에서 신뢰도를 확보할 수 있는 불확실성 정량화를 가능하게 하는 베이지안 추정 프레임워크를 제공하기 위해.

제안 방법

• 치료군과 대조군에서 모두 생존할 것이라면 생존자 집단에 속하는 개체군을 기반으로, TV-SACE(시간에 따라 변하는 SACE)와 RM-SACE(제한된 평균 SACE)라는 두 가지 새로운 인과적 추정량을 제안한다.
• 치료 및 대조 조건 하에서의 잠재 생존 시간을 기반으로, 항상 생존자 집단을 정의하기 위해 주된 집단 분류를 사용한다.
• 치료군과 대조군 모두의 이환-사망 과정을 매개변수화하는 베이지안 계층 모델을 사용하여, 종결성 및 비종결성 이벤트 위험을 함께 추정할 수 있도록 한다.
• 비종결성 이벤트와 종결성 이브넷 시간 간의 개인 내 상관관계를 모델링하기 위해 공유 위험도(specification)를 통합한다.
• 효율적인 MCMC 샘플링을 위한 마진형 가능도 계산을 가능하게 하며, 이벤트 유형 간의 의존성을 유도하기 위해 은닉 위험도를 감마분포로 설정한다.
• 기존의 반완전 경쟁 위험 모델과 연결되는 새로운 밀도 분해 기법을 적용하여 잠재 결과 표기법을 통해 인과적 추정량을 통합한다.

실험 결과

연구 질문

• RQ1 사망이 결과를 절단함에 따라, 비종결성 시간-이벤트 결과에 대한 인과적 효과는 어떻게 정의하고 추정할 수 있는가?
• RQ2 항상 생존자 집단을 정의하기 위해 단일 시간점(스냅샷)을 사용할 경우의 영향은 무엇이며, 시간에 따라 변하는 효과는 해석 가능성에 어떻게 기여하는가?
• RQ3 주된 집단 분류는 연속 시간 생존 집단으로 어떻게 확장될 수 있으며, 삶의 질 결과의 시간적 범위를 더 잘 반영할 수 있는가?
• RQ4 적절한 불확실성 정량화와 개인 내 상관관계를 고려한 반완전 경쟁 위험 설정에서 유효한 인과적 추론을 가능하게 하는 모델링 프레임워크는 무엇인가?
• RQ5 모델의 잘못된 특정화(예: 잘못된 위험도 분포 또는 기본 위험도)는 항상 생존자 집단과 인과적 효과 추정에 어떤 영향을 미치는가?

주요 결과

• 제안된 TV-SACE와 RM-SACE 추정량은 치료와 관계없이 항상 생존할 개체군에서 비종결성 결과에 대한 시간에 따라 변화하는 인과적 효과를 정의하고 추정할 수 있다.
• 공유 위험도 모델을 통해 베이지안 추정 절차는 비종결성 이벤트와 종결성 이벤트 시간 간의 개인 내 상관관계를 성공적으로 고려한다.
• 사후 예측 검증을 통해 모델 적합도는 적절한 것으로 나타났지만, 관측된 데이터에서 항상 생존자 비율이 비정상적으로 높아 모델 민감도가 우려됨을 시사한다.
• 위험도 분포의 잘못된 특정화는 특히 $T_{AA,t}$ 값이 0.9에 가까울 때 항상 생존자 집단의 추정 크기에 중간 정도의 영향을 미쳤다.
• 모델 추정과 인과적 추정량 정의를 분리함으로써, 반완전 경쟁 위험 설정에서의 인과적 추론을 가능하게 하여 해석 가능성과 의사결정 관련성을 향상시킨다.
• 이 방법은 고사망률 환경에서 유틸리티 함수와 의사결정 이론 분석을 통합할 수 있는 프레임워크를 제공하여 생존과 삶의 질의 균형 잡힌 평가를 지원한다.