[논문 리뷰] Towards causally interpretable meta-analysis: transporting inferences from multiple studies to a target population

Issa J Dahabreh, Lucia C. Petito외 3명|arXiv (Cornell University)|2019. 03. 27.

Advanced Causal Inference Techniques참고 문헌 50인용 수 4

한 줄 요약

이 논문은 다수의 무작위 대조 시험에서 개인 참가자 데이터와 목표 표본의 기초 공변량을 사용하여 인과적 추론을 잘 정의된 목표 집단으로 이행하는 방법을 제안한다. 평균 치료 효과에 대한 식별 조건을 수립하고, 결과 모델링과 역확률가중치법에 기반한 추정기법을 도입하며, 시험 집단과 목표 집단이 다를 경우 전통적인 메타분석 요약보다 더 관련성이 높은 결과를 얻을 수 있음을 HALT-C 시험을 통해 보여준다.

ABSTRACT

We take steps towards causally interpretable meta-analysis by describing methods for transporting causal inferences from a collection of randomized trials to a new target population, one-trial-at-a-time and pooling all trials. We discuss identifiability conditions for average treatment effects in the target population and provide identification results. We show that assuming inferences are transportable from all trials in the collection to the same target population has implications for the law underlying the observed data. We propose average treatment effect estimators that rely on different working models and provide code for their implementation in statistical software. We discuss how to use the data to examine whether transported inferences are homogeneous across the collection of trials, sketch approaches for sensitivity analysis to violations of the identifiability conditions, and describe extensions to address non-adherence in the trials. Last, we illustrate the proposed methods using data from the HALT-C multi-center trial.

연구 동기 및 목표

• 시험 집단이 목표 집단과 다를 경우 기존 메타분석의 인과적 해석 불가능성 문제를 해결한다.
• 다수의 무작위 대조 시험에서 유의미하게 정의된 새로운 목표 집단으로 평균 치료 효과를 이행할 수 있도록 한다.
• 시험 집단과 목표 집단 간 효과 수정자 분포의 차이를 고려한 식별 조건과 추정 방법을 제공한다.
• 시험의 개인 수준 데이터와 목표 집단의 공변량 데이터를 통합하여 명확한 인과적 해석이 가능한 증거 통합을 가능하게 한다.
• 이행된 추론의 타당성을 평가하기 위해 민감도 분석 및 동질성 평가를 지원한다.

제안 방법

• 일致성 및 양성 조건을 가정하고 비모수적 식별 조건 하에서 목표 집단 내 평균 치료 효과를 정의한다.
• 두 가지 주요 추정기법을 제안한다: 조건부 결과 평균 모델링 기반 추정기(식 6)와 단일 시험 이행을 위한 역오즈가중치법 기반 추정기(식 7).
• 모든 시험의 추론을 통합하기 위해 통합 추정기(식 8)와 전체 집합에 대한 가중치 방법(식 9)을 확장한다.
• 시험 집단과 목표 집단 간 기초 공변량 분포의 차이를 보정하기 위해 역확률가중치법을 사용한다.
• 제공된 코드를 활용해 R에서 추정기법을 구현하며, 파라미터 모델링 가정과 이중로버스트 추정 전략을 모두 지원한다.
• 식별성 가정 위반(예: 측정되지 않은 교란요인 또는 모형 오Specification)의 영향을 평가하기 위해 민감도 분석 기법을 적용한다.

실험 결과

연구 질문

• RQ1 다수의 무작위 대조 시험에서 유도된 평균 치료 효과가 새로운 목표 집단에서 인과적으로 해석 가능해지기 위한 조건은 무엇인가?
• RQ2 시험 참가자와 목표 집단 간 기초 공변량이 다를 경우, 목표 집단 내 평균 치료 효과를 어떻게 추정할 수 있는가?
• RQ3 모든 시험을 동일한 목표 집단으로 이행 가능하다고 가정할 경우, 자료 생성 과정에 어떤 영향을 미치는가?
• RQ4 이행된 치료 효과가 시험 간 동질적인가, 아니면 체계적으로 변하는가를 어떻게 평가할 수 있는가?
• RQ5 식별성 가정 위반에 대한 이행된 추론의 타당성을 평가하기 위해 어떤 방법을 사용할 수 있는가?

주요 결과

• 제안된 방법은 표준 인과적 가정 하에 목표 집단 내 평균 치료 효과에 대한 비모수적 식별 조건를 수립한다.
• HALT-C 시험 응용에서, 이행 분석은 기초 공변량이 다른 집단에 대해 더 관련성이 높은 추정치를 도출하였으며, 특히 표현이 부족한 군집에서 두드러졌다.
• 9개 센터에서 유도된 치료 효과 추정치를 목표 집단(S=0)으로 이행한 결과, 결과 모델링 기반 추정치는 -43.7(95% 신뢰구간: -52.2, -35.2)였고, 목표 시험 자체에서의 추정치는 -45.7이었다.
• 가중치 기반 추정기법은 유사한 결과를 도출하였으며(예: -42.4, 95% 신뢰구간: -52.6, -32.3), 이는 방법 간 일관성을 시사한다.
• 센터 간 이행된 효과의 이질성이 확인되어, 시험 수준의 효과가 동질적이지 않으며 단순히 합산해서는 안 된다는 점을 시사한다.
• 민감도 분석 및 모형 진단 결과, 양성 조건 및 적절한 모형 사양이 이행된 추정치의 타당성에 중대한 영향을 미친다.