[논문 리뷰] Treatment-Response Models for Counterfactual Reasoning with Continuous-time, Continuous-valued Interventions

Hossein Soleimani, Adarsh Subbaswamy외 1명|arXiv (Cornell University)|2017. 04. 06.

Gaussian Processes and Bayesian Inference참고 문헌 40인용 수 26

한 줄 요약

이 논문은 선형 시간 불변(LTI) 동적 시스템을 사용하여 다변량, 연속 시간, 연속 값 치료 반응을 모델링하는 반모수적 베이지안 프레임워크를 제안한다. 다중 출력 가우시안 프로세스를 활용하여 공통 및 신호별 치료 반응 곡선을 동시에 모델링함으로써, 시뮬레이션 및 임상 데이터에서 BART와 LSTM에 비해 뚜렷한 정확도 향상을 달성하였으며, 특히 연속적 치료 조건 하에서의 결과 예측에서 뛰어난 성능을 보였다.

ABSTRACT

Treatment effects can be estimated from observational data as the difference in potential outcomes. In this paper, we address the challenge of estimating the potential outcome when treatment-dose levels can vary continuously over time. Further, the outcome variable may not be measured at a regular frequency. Our proposed solution represents the treatment response curves using linear time-invariant dynamical systems---this provides a flexible means for modeling response over time to highly variable dose curves. Moreover, for multivariate data, the proposed method: uncovers shared structure in treatment response and the baseline across multiple markers; and, flexibly models challenging correlation structure both across and within signals over time. For this, we build upon the framework of multiple-output Gaussian Processes. On simulated and a challenging clinical dataset, we show significant gains in accuracy over state-of-the-art models.

연구 동기 및 목표

• 다변량 종단적 데이터에서 연속 시간, 연속 값 치료에 대한 잠재적 결과를 추정하는 데 도전하는 데 목적이 있다.
• 시간적 상관관계가 복잡한 비정규적으로 샘플링된 다변량 생리 신호에 대해 민감한 시간에 따라 변하는 반응 곡선을 탄력적으로 모델링하는 데 목적이 있다.
• BUN과 크레아티닌과 같은 여러 생물학적 마커 간에 공통된 생리적 과정에 의해 유도될 수 있는 공통된 잠재적 치료 반응 구조를 드러내는 데 목적이 있다.
• 이중적으로 이산적 치료와 연속적 치료를 하나의 통합된 프레임워크 내에서 통합하여 반사적 추론을 가능하게 하는 데 목적이 있다.
• 치료가 연속적으로 투여되는 임상 환경(예: 흡착요법)에서 측정치가 희소하고 비정규적인 상황에서 예측 정확도를 향상시키는 데 목적이 있다.

제안 방법

• 이 방법은 두 번째 차수 선형 시간 불변(LTI) 동적 시스템을 사용하여 임의의 복용량 함수에 대한 시간에 따라 변하는 반응을 탄력적으로 표현할 수 있도록 한다.
• 다중 출력 가우시안 프로세스를 활용하여 다중 결과 신호를 동시에 모델링함으로써, 시간에 따른 내부 신호 상관관계와 상호 신호 상관관계를 모두 포착한다.
• 모델은 관측된 궤적을 기저 추세와 치료 반응 성분으로 분해하며, 혼합 효과 모델링을 통해 다수의 신호 간에 공통된 구조를 학습한다.
• 치료 반응 곡선은 시스템 계수와 입력 복용량 함수로 매개변수화되며, 식별성과 안정성을 확보하기 위해 정규화가 적용된다.
• 반모수적 베이지안 접근법을 사용하여 기저 추세에 비모수적 유연성을 유지하면서도 치료 효과의 구조적 해석 가능성을 확보한다.
• 변분 추론을 통해 잠재 함수와 초모수의 사후 분포를 근사함으로써 불확실성 정량화를 가능하게 한다.

실험 결과

연구 질문

• RQ1 통합된 모델이 다변량 종단적 데이터에서 연속 시간, 연속 값 치료에 대한 반사적 결과를 효과적으로 추정할 수 있는가?
• RQ2 흡착요법에 대한 반응으로 BUN과 크레아티닌과 같은 생물학적 마커 간에 공통된 생리적 반응 패턴을 모델이 얼마나 잘 복원할 수 있는가?
• RQ3 비정규적으로 샘플링된 다변량 시간 시리즈 환경에서 LTI 시스템을 통합함으로써 BART 및 LSTM과 같은 최첨단 모델에 비해 예측 정확도가 향상되는가?
• RQ4 모델이 다양한 흡착요법 방식(IHD 대비 CRRT)이 특정 생물학적 마커에 미치는 상대적 영향을 어느 정도 정량화할 수 있는가?
• RQ5 모델이 학습한 치료 반응 곡선이 임상적으로 의미 있는 치료 효과의 표현으로 해석될 수 있는가?

주요 결과

• 폐쇄된 신장 기능 마커 데이터셋에서, 테스트 셋의 환자들이 치료를 받은 7일 동안의 예측 정확도에서 제안된 모델은 BART에 비해 15% 향상되었고, LSTM에 비해 8% 향상되었다.
• 모델은 BUN과 크레아티닌에 대해 음성 치료 반응 곡선을 성공적으로 학습하였으며, 이는 흡착요법이 이러한 노폐물을 감소시킨다는 임상 지식과 일치한다.
• BUN에 대한 최대 치료 효과(I_jd)는 유의미하게 0보다 작았으며(p = 0.015), 이는 흡착요법으로 인한 임상적으로 의미 있는 감소를 확인한다.
• 모델은 IHD가 CRRT보다 BUN과 크레아티닌에 대해 유의미하게 더 강한 영향을 미친다는 것을 감지하였다(p = 0.0002 및 p = 0.013), 이는 IHD의 더 높은 복용량 강도를 반영한다.
• 모델이 학습한 치료 반응 곡선은 치료 중단 후 BUN과 크레아티닌의 반동 증가를 정확히 포착하였으며, 임상 생리학과 일치한다.
• 이 프레임워크는 강력한 정성적·정량적 일치를 보이며, 잠재적 치료 반응 구조를 탐색하는 데 있어 탐색적 도구로의 유효성을 검증하였다.