[論文レビュー] Inference for Treatment Regime Models in Personalized Medicine

Adam Kapelner, Justin Bleich+3 more|arXiv (Cornell University)|Apr 30, 2014

Advanced Causal Inference Techniques参考文献 41被引用数 4

ひとこと要約

本論文は、無作為化試験データと柔軟な回帰モデルを用いて治療戦略を推定する、個人化医療のための統計枠組みを紹介する。モデルに基づく治療割り当てと標準的手法との比較において、患者の結果がどの程度改善されるかを定量化する新しい「改善度」指標を提案し、妥当な信頼区間と仮説検定を提供する。シミュレーションおよびうつ病治療試験の実データを用いた検証において、オープンソースのRパッケージを用いて実施された。

ABSTRACT

In medical practice, when more than one treatment option is viable, there is lit-tle systematic use of individual patient characteristics to estimate which treatment option is most likely to result in a better outcome for the patient. We introduce a new framework for using statistical models for personalized medicine. Our framework exploits (1) data from a randomized comparative trial, and (2) a regression model for the outcome constructed from domain knowledge and no requirement of correct model specification. We introduce a new “improvement ” measure summarizing the extent to which the model’s treatment allocations improve future subject outcomes on average compared to a business-as-usual treatment allocation approach. Procedures are provided for estimating this measure as well as asymptotically valid confidence intervals. One may also test a null scenario in which the hypothesized model’s treat-ment allocations are not more useful than the business-as-usual treatment allocation approach. We demonstrate our method’s promise on simulated data as well as on data from a randomized experiment testing treatments for depression. An open-source soft-ware implementation of our procedures is available within the R package “Personalized Treatment Evaluator ” currently available on CRAN as PTE.

研究の動機と目的

• 臨床現場における治療選択を、患者固有の特徴に基づいて体系的に支援する方法を開発すること。
• 複数の実行可能な治療オプションの中から、個々の患者データの体系的でない使用が原因となる最適治療の選択の欠如に対処すること。
• モデルに基づく治療割り当てが標準的手法よりも平均的にどの程度の利益をもたらすかを定量化する新しい「改善度」指標を導入すること。
• 改善度指標のための漸近的に妥当な信頼区間と仮説検定を提供すること。
• 臨床研究における実世界応用を可能にするために、オープンソースのRパッケージによる実装を可能にすること。

提案手法

• 無作為化比較試験のデータを活用し、患者サブグループごとの治療効果を推定する。
• ドメイン知識に基づく結果の回帰モデルを用いるが、モデルの正しく指定されている必要はない。
• モデルに基づく治療割り当てにおける期待結果と、通常の実務的手法における結果を比較する新しい「改善度」指標を定義する。
• 経験的尤度またはその他のロバスト推定技術を用いて、改善度指標を推定する。
• インフルエンス関数または分散推定法を用いて、改善度指標の漸近的に妥当な信頼区間を構築する。
• モデルに基づく割り当てが標準的実務よりも顕著に良好な結果をもたらすかどうかを検定する仮説検定を実施する。

実験結果

リサーチクエスチョン

• RQ1 モデルに基づく治療割り当ては、標準的で個人化されていないアプローチと比較して、患者の結果をどの程度改善するか？
• RQ2 どのようにして、個人化治療戦略の導入による結果の平均的改善を統計的に定量化できるか？
• RQ3 改善度指標の標本変動性は何か？ また、妥当な信頼区間を構築するにはどうすればよいか？
• RQ4 提案された治療戦略が従来の治療割り当てに比べて優位性を示さないかどうかを検定できるか？
• RQ5 本手法は、無作為化試験からの実データおよびシミュレーションデータにおいて、実際の応用でどの程度の性能を示すか？

主な発見

• 提案された改善度指標は、標準的手法と比較して、個人化治療戦略の導入による患者結果の平均的増加を効果的に定量化できた。
• 改善度指標のための漸近的に妥当な信頼区間が正常に構築され、信頼性の高い推論が可能となった。
• 本手法は、シミュレーションデータおよびうつ病治療試験の実データの両方で、強固な性能を示した。
• 仮説検定は、モデルに基づく割り当てが標準的手法に比べて顕著な利益をもたらさない場合を正しく検出できた。
• オープンソースのRパッケージ「Personalized Treatment Evaluator（PTE）」により、手法の実装と再現性が可能となった。
• 柔軟なモデリングとロバスト推定技術の使用により、結果の回帰モデルが誤指定であっても、枠組みは依然として妥当であった。