[논문 리뷰] Towards personalized causal inference of medication response in mobile health: an instrumental variable approach for randomized trials with imperfect compliance

Elias Chaibub Neto, Ross L. Prentice외 6명|arXiv (Cornell University)|2016. 04. 04.

Advanced Causal Inference Techniques참고 문헌 25인용 수 4

한 줄 요약

이 논문은 불완전한 복용 준수를 동반한 모바일 헬스 연구에서 약물 반응에 대한 개인 맞춤형 인과 추론을 가능하게 하기 위해 공구변수(IV) 접근법을 제안한다. 무작위로 배정된 치료 제안(예: 스마트폰 팝업)을 공구변수로 사용함으로써, 관측되지 않은 혼란요인 존재하더라도 인과 효과를 식별할 수 있다. 시뮬레이션 결과, 이 방법은 높은 통계적 검정력과 정확한 I종 오류 통제를 보이며, IV 추정치는 의도에 따라 치료하는 접근법보다 편향과 정밀도 측면에서 뛰어나다.

ABSTRACT

Mobile health studies can leverage longitudinal sensor data from smartphones to guide the application of personalized medical interventions. In this paper, we propose that adoption of an instrumental variable approach for randomized trials with imperfect compliance provides a natural framework for personalized causal inference of medication response in mobile health studies. Randomized treatment suggestions can be easily delivered to the study participants via electronic messages popping up on the smart-phone screen. Under quite general assumptions we can identify the causal effect of the actual treatment on the response in the presence of unobserved confounders. We implement a personalized randomization test of the null hypothesis of no causal effect of treatment on response, and evaluate its performance in a large scale simulation study encompassing data generated from linear and non-linear time series models under several simulation conditions. In particular, we evaluate the empirical power of the proposed test under varying degrees of compliance between the suggested and actual treatment adopted by the participant. Our investigations provide encouraging results in terms of power and control of type I error rates. Finally, we compare the proposed instrumental variable approach to a simple intent-to-treat strategy, and develop randomization confidence intervals for the causal effects.

연구 동기 및 목표

• 모바일 헬스 데이터에서 약물 반응에 대한 개인 맞춤형 인과 추론에 있어 관측되지 않은 혼란요인 문제를 해결하기 위해.
• 비복용이 있는 무작위 대조 시험에서도 개인 수준의 인과 추론을 가능하게 하는 통계적 프레임워크를 개발하기 위해.
• 다양한 복용 준수 비율 하에서 I종 오류 통제 및 통계적 검정력을 유지하는 공구변수 접근법의 성능을 평가하기 위해.
• 의도에 따라 치료하는 분석과 비교하여 제안된 IV 방법이 편향 감소 및 추정 정확도 측면에서 어떤 장점을 가지는지 밝혀내기 위해.
• 의료 연구에서 실용적인 보고를 지원하기 위해 인과 효과에 대한 랜덤화 기반 신뢰구간을 개발하기 위해.

제안 방법

• 공구변수 접근법은 스마트폰 팝업 등을 통해 제공되는 무작위 치료 제안을 공구변수로 사용하여 실제 약물 복용이 건강 결과에 미치는 인과 효과를 추정한다.
• 이 방법은 배제 제약 조건과 단조성 가정에 기반하여, 관측되지 않은 혼란요인 존재하는 종단적 시간열 데이터에서 局소 평균 인과 효과(LATE)를 식별한다.
• 무작위화 검정을 제안하여 인과 효과가 없는 귀무가설을 평가하며, 치료 제안의 순열을 통해 정확한 p-값을 생성한다.
• IV 추정량은 공구변수(제안)와 결과 간 공분산을 공구변수와 실제 복용 치료량 간 공분산으로 나누어 계산된다.
• 랜덤화 신뢰구간은 랜덤화 검정을 역전시켜 구성되며, 분포 가정 없이 유효한 추론을 가능하게 한다.
• 이 접근법은 다양한 복용 준수 수준과 혼란 구조를 가진 선형 및 비선형 시간열 모델을 사용한 대규모 시뮬레이션을 통해 평가된다.

실험 결과

연구 질문

• RQ1 불완전한 참가자 복용 준수를 동반한 모바일 헬스 연구에서 공구변수 접근법이 약물이 건강 결과에 미치는 인과 효과를 효과적으로 식별할 수 있는가?
• RQ2 다양한 복용 준수 비율 하에서 제안된 IV 방법은 의도에 따라 치료하는 분석 대비 I종 오류 통제 및 통계적 검정력 측면에서 어떻게 성능을 보이는가?
• RQ3 관측되지 않은 혼란요인이 존재할 경우 IV 추정량은 의도에 따라 치료 추정량 대비 얼마나 편향을 줄이는가?
• RQ4 이 개인 맞춤형 종단적 설정에서 인과 효과에 대한 랜덤화 기반 신뢰구간을 신뢰성 있게 구성할 수 있는가?
• RQ5 우울증 또는 질병 수준으로 인한 정보가 있는 누락 데이터 또는 선택 메커니즘이 IV 추정량에 편향을 유도하는가?

주요 결과

• 제안된 공구변수 접근법은 표준 IV 가정 하에 관측되지 않은 혼란요인이 존재하더라도 약물이 반응에 미치는 인과 효과를 성공적으로 식별한다.
• 랜덤화 검정은 모든 시뮬레이션 조건에서 정확한 I종 오류 비율을 유지하며, 다양한 복용 준수 수준과 비선형 시간열 모델 조건에서도 동일하게 성능을 보인다.
• 이 방법은 특히 중간에서 높은 복용 준수 수준에서 높은 실증적 검정력을 보이며, 복용 준수 수준이 향상될수록 검정력이 증가한다.
• 실제 치료 효과가 0이 아닌 경우, IV 추정량은 항상 의도에 따라 치료 추정량보다 편향을 줄여 0에 가까워지는 경향을 보이며, 이는 성능 향상을 의미한다.
• 랜덤화 검정을 역전시켜 랜덤화 기반 신뢰구간을 성공적으로 구성하였으며, 점근적 근사에 의존하지 않는 유효한 추론을 가능하게 하였다.
• 정보가 있는 누락 데이터 또는 콜리더 조건(예: 우울증으로 인한 누락)으로 인한 선택 편향은 IV 추정량을 왜곡시키는 것으로 나타났으며, 이는 누락 메커니즘을 신중히 모델링할 필요성을 강조한다.