[论文解读] Adaptive Weight Learning for Multiple Outcome Optimization With Continuous Treatment

Chang Wang, Lu Wang|arXiv (Cornell University)|Feb 16, 2024

Total Knee Arthroplasty OutcomesMedicine被引用 3

一句话总结

本文提出了一种针对连续治疗和多种竞争性结局的个体化治疗对策（ITR）的新型自适应权重学习方法。通过从观察性数据中联合估计患者特异性效用权重和治疗决策规则，该方法实现了复合结局的数据驱动优化，同时支持统计推断与变量选择。

ABSTRACT

To promote precision medicine, individualized treatment regimes (ITRs) are crucial for optimizing the expected clinical outcome based on patient-specific characteristics. However, existing ITR research has primarily focused on scenarios with categorical treatment options and a single outcome. In reality, clinicians often encounter scenarios with continuous treatment options and multiple, potentially competing outcomes, such as medicine efficacy and unavoidable toxicity. To balance these outcomes, a proper weight is necessary, which should be learned in a data-driven manner that considers both patient preference and clinician expertise. In this paper, we present a novel algorithm for developing individualized treatment regimes (ITRs) that incorporate continuous treatment options and multiple outcomes, utilizing observational data. Our approach assumes that clinicians are optimizing individualized patient utilities with sub-optimal treatment decisions that are at least better than random assignment. Treatment assignment is assumed to directly depend on the true underlying utility of the treatment rather than patient characteristics. The proposed method simultaneously estimates the weighting of composite outcomes and the decision-making process, allowing for construction of individualized treatment regimes with continuous doses. The proposed estimators can be used for inference and variable selection, facilitating the identification of informative treatment assignments and preference-associated variables. We evaluate the finite sample performance of our proposed method via simulation studies and apply it to a real data application of radiation oncology analysis.

研究动机与目标

• 填补个体化治疗对策（ITR）研究中的空白，将现有方法扩展至连续治疗选项和多种可能冲突的结局。
• 克服现有复合效用函数的局限性，这些函数通常预先指定，未能个性化反映患者偏好或临床专家经验。
• 提出一种数据驱动方法，从观察性研究中学习反映患者偏好和临床判断的结局权重。
• 同时估计治疗决策规则和结局权重，以优化具有连续给药的个体化治疗策略。
• 实现对治疗反应和偏好关键预测因子识别的统计推断与变量选择。

提出的方法

• 提出一种伪似然估计框架，将治疗分配建模为未观测患者效用的函数，该效用取决于患者特征和治疗结局。
• 采用联合似然方法同时估计复合结局的加权函数和治疗决策规则。
• 使用对数似然的二次近似，推导估计参数的渐近正态性及推断方法。
• 引入灵活的非参数加权函数 w(θ)，通过患者协变量的参数化变换捕捉个体化偏好。
• 应用经验过程理论和鞅中心极限定理，建立估计量的渐近性质。
• 推导治疗效应与权重参数联合估计量的渐近线性展开，支持标准误计算与假设检验。

实验结果

研究问题

• RQ1 当治疗为连续时，如何优化个体化治疗对策，同时平衡多种结局（如疗效与毒性）？
• RQ2 是否存在一种稳健、数据驱动的方法，可在无需预设或专家给出效用函数的前提下，学习患者特异的结局权重？
• RQ3 联合估计框架能否同时从观察性数据中学习最优治疗规则与结局权重？
• RQ4 在此联合估计设定下，如何实现统计推断与变量选择？
• RQ5 在具有连续给药的现实临床场景中，所提出方法的有限样本表现如何？

主要发现

• 在较弱正则性条件下，所提方法可实现对治疗决策规则与结局权重的一致估计。
• 治疗效应与权重参数联合估计量具有渐近正态性，支持有效推断与置信区间构建。
• 通过权重函数参数的估计，该方法支持变量选择，可识别与治疗偏好相关的协变量。
• 模拟研究显示，该方法在治疗效应估计的均方误差和覆盖概率方面优于现有方法。
• 在一项真实的放射肿瘤学应用中，该方法成功识别出在肿瘤控制与毒性之间取得平衡的最优治疗剂量。
• 该方法对模型误设具有鲁棒性，在有限样本设定下即使样本量中等也表现良好。