[논문 리뷰] Time Series Deconfounder: Estimating Treatment Effects over Time in the Presence of Hidden Confounders

Ioana Bica, Ahmed M. Alaa외 1명|arXiv (Cornell University)|2019. 02. 01.

Advanced Causal Inference Techniques참고 문헌 61인용 수 14

한 줄 요약

시계열 탈혼란제어기(Deconfounder)는 종단적 치료 효과 추정에서 관측되지 않는 다중원인 숨겨진 혼란인자를 대체할 잠재변수를 추론하기 위해 순환신경망(RNN)과 다중작업 출력, 변동형 드롭아웃을 사용하는 딥러닝 방법을 제안한다. 여러 변화하는 치료 요법 간의 의존성을 활용함으로써 기존 방법보다 더 약한 가정 하에 편향 없는 인과 추론을 가능하게 하며, 시뮬레이션 데이터와 실제 ICU 전자병력(EHR) 데이터에서 뛰어난 성능을 보였다.

ABSTRACT

The estimation of treatment effects is a pervasive problem in medicine. Existing methods for estimating treatment effects from longitudinal observational data assume that there are no hidden confounders, an assumption that is not testable in practice and, if it does not hold, leads to biased estimates. In this paper, we develop the Time Series Deconfounder, a method that leverages the assignment of multiple treatments over time to enable the estimation of treatment effects in the presence of multi-cause hidden confounders. The Time Series Deconfounder uses a novel recurrent neural network architecture with multitask output to build a factor model over time and infer latent variables that render the assigned treatments conditionally independent; then, it performs causal inference using these latent variables that act as substitutes for the multi-cause unobserved confounders. We provide a theoretical analysis for obtaining unbiased causal effects of time-varying exposures using the Time Series Deconfounder. Using both simulated and real data we show the effectiveness of our method in deconfounding the estimation of treatment responses over time.

연구 동기 및 목표

• 관측되지 않는 다중원인 혼란인자가 표준 인과 추론 방법을 편향시키는 종단적 관찰 데이터에서 치료 효과 추정의 핵심 과제를 해결하기 위해.
• 숨겨진 혼란인자를 직접 관측하지 않더라도 시간에 따라 변화하는 치료 효과의 편향 없는 추정을 가능하게 하는 방법을 개발하기 위해.
• 숨겨진 혼란인자가 없는 가정을 검증 가능한 조건—시간에 따라 변화하는 치료 요법 간 의존성의 정확한 요인 모델링—으로 전환하기 위해.
• 정적 상황에서의 탈혼란제어기 프레임워크를 시계열 환경으로 확장하여 혼란인자 간 의존성의 시간적 동역학을 포착하기 위해.
• 통제된 혼란인자를 가진 시뮬레이션 데이터와 실제 ICU 전자병력(EHR) 데이터를 바탕으로 방법의 유효성을 검증하기 위해.

제안 방법

• 시간에 따라 변화하는 치료 요법 배정을 모델링하고 잠재적 혼란인자 대체 요소를 추론하기 위해 다중작업 출력 헤드를 갖춘 새로운 순환신경망(RNN) 아키텍처를 제안한다.
• RNN의 정규화와 잠재변수 추론의 불확실성 추정 향상을 위해 변동형 드롭아웃을 사용한다.
• 시간에 따른 요인 모델을 활용해 관측된 치료 요법들이 조건부 독립이 되도록 하는 잠재변수를 생성함으로써 관측되지 않은 혼란인자의 역할을 모방한다.
• 각 타임스텝에서 예측 검증을 적용하여 요인 모델의 품질을 평가하고, 치료 요법 간 의존성을 잘 포착했는지 검증하기 위해 p-값을 계산한다.
• 추론된 잠재변수를 순차적 강력한 무시 가능성을 만족하는 결과 모델에서의 프oxy로 사용하여 개인화된 치료 효과를 추정한다.
• 이론적 분석을 통해 가정 3과 양호한 요인 모델 적합도 하에, 잠재변수가 시간에 따라 변화하는 설정에서 편향 없는 인과 추정 조건을 충족함을 보여준다.

실험 결과

연구 질문

• RQ1 여러 치료 요법이 할당되고 관측되지 않는 혼란인자가 치료 요법 배정과 결과에 영향을 주는 상황에서, 시간에 따라 편향 없는 치료 효과를 추정할 수 있는가?
• RQ2 여러 변화하는 치료 요법 간의 의존성을 활용하여 숨겨진 혼란인자를 대체하는 잠재변수를 추론할 수 있는가?
• RQ3 숨겨진 혼란인자가 종단적 데이터에 존재할 경우, 시계열 탈혼란제어기가 기존 방법보다 우수한 성능을 보이는가?
• RQ4 시간적 환경에서의 예측 검증이 추론된 잠재적 혼란인자 대체 요소의 품질을 효과적으로 평가할 수 있는가?
• RQ5 실제 임상 데이터, 예를 들어 ICU 전자병력(EHR)에서 중요한 임상 변수가 누락되거나 관측되지 않을 경우, 이 방법은 강건한가?

주요 결과

• 숨겨진 혼란인자를 가진 시뮬레이션 데이터에서 시계열 탈혼란제어기는 RMSE를 6.31 ± 0.11(혼란됨)에서 D_Z=5일 때 3.85 ± 0.04로 감소시켜 오라클 모델(3.85 ± 0.04)의 성능에 가까워졌다.
• MIMIC-III ICU 데이터셋에서, 3개의 공변량을 제거한 후 RMSE가 4.12 ± 0.00에서 D_Z=5를 사용할 경우 2.81 ± 0.03으로 감소하여 베이스라인을 초월하고 오라클 성능과 일치했다.
• D_Z=5를 사용한 탈혼란 모델은 정적 환자 하위군을 사용한 오라클 모델보다 낮은 RMSE를 기록하여, 잠재변수가 정적 프록시보다 시간에 따라 변화하는 혼란인자를 더 잘 포착했음을 시사했다.
• 각 타임스텝에서 수행된 예측 검증 결과, 요인 모델이 치료 요법 간 의존성을 효과적으로 포착함을 확인하여, 잠재변수 추론의 타당성을 뒷받침했다.
• 실제 EHR 데이터에서의 강건성도 입증되었으며, 체온과 혈액포도당과 같은 핵심 임상 변수가 제거된 상황에서도 치료 효과 추정을 탈혼란화하는 데 성공했다.
• 이론적 분석을 통해 적절한 모델 적합도 하에 추론된 잠재변수가 순차적 강력한 무시 가능성을 충족함을 확인하여, 편향 없는 인과 추정이 가능함을 입증했다.