[논문 리뷰] The Medical Deconfounder: Assessing Treatment Effects with Electronic Health Records

Linying Zhang, Zhaoran Wang외 4명|arXiv (Cornell University)|2019. 04. 03.

Advanced Causal Inference Techniques참고 문헌 55인용 수 5

한 줄 요약

의료 디컨포운더는 전자 건강 기록(EHR)에서 다중 약물 처방 패턴을 기반으로 보조 공변인자를 구성하여 관측되지 않은 공변인자를 보정함으로써 치료 효과를 추정하는 기계학습 방법이다. 이 방법은 인과적 추론 정확도를 향상시켜 기존의 방법보다 의학 문헌과 더 일치하는 약물의 치료 효과를 식별한다.

ABSTRACT

The treatment effects of medications play a key role in guiding medical prescriptions. They are usually assessed with randomized controlled trials (RCTs), which are expensive. Recently, large-scale electronic health records (EHRs) have become available, opening up new opportunities for more cost-effective assessments. However, assessing a treatment effect from EHRs is challenging: it is biased by unobserved confounders, unmeasured variables that affect both patients' medical prescription and their outcome, e.g. the patients' social economic status. To adjust for unobserved confounders, we develop the medical deconfounder, a machine learning algorithm that unbiasedly estimates treatment effects from EHRs. The medical deconfounder first constructs a substitute confounder by modeling which medications were prescribed to each patient; this substitute confounder is guaranteed to capture all multi-medication confounders, observed or unobserved (arXiv:1805.06826). It then uses this substitute confounder to adjust for the confounding bias in the analysis. We validate the medical deconfounder on two simulated and two real medical data sets. Compared to classical approaches, the medical deconfounder produces closer-to-truth treatment effect estimates; it also identifies effective medications that are more consistent with the findings in the medical literature.

연구 동기 및 목표

• 소득 수준과 같은 관측되지 않은 공변인자가 EHR에서의 치료 효과 추정에 기여하는 편향을 해결하기 위해.
• 공변인자를 명시적으로 측정할 필요 없이 다중 약물 공변인자를 보정할 수 있는 확장 가능한 기계학습 방법을 개발하기 위해.
• 기존의 고전적 인과 추론 방법과 비교하여 실생활 관찰 기반 EHR 데이터에서 치료 효과 추정의 정확도를 향상시키기 위해.
• 당뇨병 환자의 헤모글로빈 A1c 수치와 같은 임상 결과에 대해 인과 효과가 있는 약물을 식별하여 기존 의학 문헌과 일치시키기 위해.

제안 방법

• 이 방법은 확률적 요인 모델을 사용하여 환자의 약물 기록을 모델링하여 관측된 및 관측되지 않은 다중 약물 공변인자를 모두 반영하는 보조 공변인자를 추론한다.
• 보조 공변인자는 공동으로 처방되는 약물 패턴에서 유도되며, 관련된 약물 사용이 잠재된 관측되지 않은 공변인자를 반영한다는 점을 활용한다.
• 다중 결과 모델을 적합시켜 치료 효과를 추정하며, 처방된 약물과 보조 공변인자를 모두 조건으로 삼아 공변인자 편향을 보정한다.
• 이 접근법은 이전 연구에서 입증된 이론적 보장(왕과 블리, 2018)에 기반하여, 보조 공변인이 다중 약물 사용에 기인한 모든 공변인자 효과를 포괄한다는 점을 보장한다.
• 모의 데이터와 당뇨병 환자 코hort의 실제 EHR 데이터를 사용하여 방법을 검증하였으며, 결과는 헤모글로빈 A1c 수치로 측정되었다.

실험 결과

연구 질문

• RQ1 소득 수준과 같은 관측되지 않은 공변인자가 표준 비교를 편향시킬 때, 기계학습 방법이 EHR에서 치료 효과를 효과적으로 추정할 수 있는가?
• RQ2 공동 약물 처방 패턴을 모델링하면 전통적인 보정 방법보다 관측되지 않은 공변인자를 더 효과적으로 반영하는 보조 공변인자를 도출할 수 있는가?
• RQ3 실생활 EHR 데이터에서 의료 디컨포운더의 치료 효과 추정치는 조정되지 않은 모델과 고전적 인과 추론 방법과 비교해 어떻게 다른가?
• RQ4 의료 디컨포운더가 인과적 요인으로 특정한 약물들은 의학 문헌의 발견과 일치하는가?

주요 결과

• 의료 디컨포운더는 두 개의 모의 데이터셋에서 고전적 방법보다 진실에 더 가까운 치료 효과 추정치를 도출하여 관측되지 않은 공변인자에 기인한 편향이 감소했음을 입증했다.
• 실제 당뇨병 환자 EHR 데이터셋에서 의료 디컨포운더는 헤모글로빈 A1c에 영향을 주는 양성 효과가 있는 세 가지 인과적 약물—타크로리무스, 아몰디피닌, 하이드로클로라이드 타지드론—을 식별했으며, 이는 이 약물들이 당 대사에 악영향을 미친다는 알려진 사실과 일치한다.
• 아세트아미노펜과 아토바스타틴은 조정되지 않은 모델에서 잘못된 인과적 약물로 특정되었지만, 의료 디컨포운더는 이를 정확히 비인과적 약물로 판단하여 특이도가 향상됨을 보였다.
• 디컨포운딩 후 아토바스타틴에 대한 치료 효과 추정치가 더 긍정적으로 조정되었으며, 이는 이 약물이 혈액 포도당 수치를 증가시킬 수 있다는 알려진 가능성과 일치하여 효과 추정의 편향이 감소했음을 시사한다.
• 이 방법은 인슐린과 메트포르민이 헤모글로빈 A1c에 음성 효과를 미치는 인과적 약물로 식별하여 당뇨병에서 혈액 포도당 수치를 낮추는 데 기여한다는 기존의 역할과 일치한다.
• 이 방법은 이소프로필 알코올과 옥시코돈이 헤모글로빈 A1c와 잠재적인 연관성이 있음을 식별하여 향후 연구가 필요한 새로운 발견을 제안했다.