[論文レビュー] The Medical Deconfounder: Assessing Treatment Effects with Electronic Health Records

Linying Zhang, Zhaoran Wang+4 more|arXiv (Cornell University)|Apr 3, 2019

Advanced Causal Inference Techniques参考文献 55被引用数 5

ひとこと要約

医療デコンファウンダーは、電子歴史記録（EHR）から治療効果を推定する機械学習手法であり、複数薬物の処方パターンから代替共変量を構築することで、観察されない共変量を補正する。この手法は因果推論の正確性を向上させ、古典的手法よりも医学文献と整合性の高い治療効果を持つ薬物を特定する。

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.

研究の動機と目的

• 社会経済的地位などの観察されない共変量によって引き起こされるEHRからの治療効果推定におけるバイアスを是正すること。
• 共変量の明示的測定を必要とせず、多薬物共変量を補正できるスケーラブルな機械学習手法を開発すること。
• 古典的因果推論手法と比較して、現実世界の観察的EHRデータにおける治療効果推定の正確性を向上させること。
• 糖尿病患者のHbA1cレベルなどの臨床的アウトカムに因果効果を持つ薬物を同定し、既存の医学文献と整合性を保つこと。

提案手法

• 患者の薬物記録を確率的要因モデルでモデル化し、観察済みおよび未観察の多薬物共変量をすべて捉える代替共変量を推定する。
• 代替共変量は、連携した薬物処方パターンから構築され、相関する薬物使用が潜在的な未測定共変量を反映していることに着目する。
• 多変量アウトカムモデルを適合させ、処方された薬物と代替共変量の両方に条件づけて治療効果を推定し、共変量バイアスを補正する。
• このアプローチは、先行研究（WangとBlei, 2018）で確立された理論的保証に基づく。すなわち、代替共変量は多薬物使用に起因するすべての共変量効果を捉える。
• シミュレーテッドデータと2型糖尿病患者のコhortの実EHRデータの両方を用いて検証し、アウトカムとしてHbA1cレベルを測定した。

実験結果

リサーチクエスチョン

• RQ1 社会経済的地位などの観察されない共変量が標準的比較をバイアスする状況において、機械学習手法がEHRからの治療効果推定を効果的に行えるか。
• RQ2 連携した薬物処方パターンをモデル化することで、従来の補正手法よりも未観察の共変量を効果的に捉える代替共変量が得られるか。
• RQ3 現実世界のEHRデータにおいて、医療デコンファウンダーの治療効果推定は、補正なしのモデルおよび古典的因果推論手法と比較してどのように異なるか。
• RQ4 医療デコンファウンダーが因果的要因と特定した薬物は、医学文献の報告と整合性があるか。

主な発見

• 2つのシミュレーテッドデータセットにおいて、医療デコンファウンダーは古典的手法よりも真の値に近い治療効果推定を示し、未観察共変量によるバイアスが低減していることを示した。
• 2型糖尿病患者の実EHRデータにおいて、医療デコンファウンダーはタクロリムス、アムロジピン、およびヒドロクロロチアゼパミドの3つの因果的薬物を同定し、HbA1cに正の効果を示した。これは、これらの薬物が糖代謝に悪影響を及えるという既知の事実と整合している。
• アセトアミノフェンとアトバスタチンは、補正なしのモデルでは誤って因果的と同定されたが、医療デコンファウンダーでは正しく非因果的と特定された。これにより特異度の向上が示された。
• 医療デコンファウンダーは、デコンファウンディング後、アトバスタチンに対してより肯定的な治療効果を推定し、これが血糖値上昇の可能性と整合していることから、効果推定のバイアスが低減していると考えられる。
• この手法は、インスリンとメトホルミンがHbA1cに負の効果を示す因果的薬物として正しく同定し、糖尿病における血糖降下作用と整合している。
• この手法はイソプロピルアルコールとオキシコドンにHbA1cとの潜在的関連性を同定し、今後の検証を要する新たな知見を示唆した。