[论文解读] Causal Effect Estimation and Optimal Dose Suggestions in Mobile Health

Liangyu Zhu, Wenbin Lu+1 more|arXiv (Cornell University)|Jul 19, 2020

Advanced Causal Inference Techniques被引用 4

一句话总结

本文提出了一种半参数结构嵌套模型，用于在移动健康数据中估计连续治疗的因果效应，使用加权滞后-$K$优势函数来定义最优治疗方案，以最大化短期结果。该方法可实现稳健、假设极少的剂量推荐，适用于实时干预，经模拟和俄亥俄州1型糖尿病数据集验证。

ABSTRACT

In this article, we propose novel structural nested models to estimate causal effects of continuous treatments based on mobile health data. To find the treatment regime that optimizes the expected short-term outcomes for patients, we define a weighted lag-K advantage as the value function. The optimal treatment regime is then defined to be the one that maximizes the value function. Our method imposes minimal assumptions on the data generating process. Statistical inference is provided for the estimated parameters. Simulation studies and an application to the Ohio type 1 diabetes dataset show that our method could provide meaningful insights for dose suggestions with mobile health data.

研究动机与目标

• 解决在无限时间范围下，估计移动健康数据中连续治疗因果效应的方法缺失问题。
• 开发一种治疗方案，通过最大化加权滞后-$K$优势函数来优化短期结果。
• 提供计算上可行且稳定、鲁棒的半参数剂量建议，随时间点数量增加而保持性能。
• 在数据生成过程假设最少的前提下，支持对估计参数的统计推断。
• 通过动态、依赖历史的给药方式，支持在慢性病管理（如糖尿病）中实现实时个性化治疗决策。

提出的方法

• 引入一种具有二次形式的非参数结构嵌套模型，用于估计连续治疗对未来结果的因果效应。
• 将加权滞后-$K$优势函数定义为价值函数，用于衡量在近未来时间窗口内治疗的有效性。
• 使用逆概率加权和估计方程，在条件依赖于部分历史信息的前提下估计参数，以降低复杂度。
• 采用半参数方法，避免强参数假设，增强对模型误设的稳健性。
• 采用贪心优化策略，识别出能最大化加权滞后-$K$优势的治疗方案。
• 基于充分统计量$S_t$进行估计，以排除无关的历史信息，保持计算效率。

实验结果

研究问题

• RQ1 如何在无固定时间范围的移动健康数据中估计连续治疗的因果效应？
• RQ2 在连续治疗选项的序列决策中，应采用何种合适的价值函数来优化短期结果？
• RQ3 如何识别出能最大化近未来收益的最优治疗方案，而无需假设平稳性或马尔可夫性质？
• RQ4 半参数方法是否能在保持计算可扩展性的同时，为大规模移动健康数据提供有效的统计推断？
• RQ5 该方法在实际应用中（如1型糖尿病的胰岛素剂量推荐）表现如何？

主要发现

• 模拟研究显示，所提方法能以低偏差和良好的方差近似准确估计连续治疗的因果效应。
• 估计的治疗方案能紧密逼近真实最优方案，即最大化加权滞后-$K$优势的方案。
• 统计推断有效，协方差函数能提供估计参数的可靠标准误。
• 在俄亥俄州1型糖尿病数据集上的应用表明，基于患者历史和实时数据，可生成有意义且可操作的剂量建议。
• 该方法在时间范围$T$增加时仍保持计算稳定，且复杂度不增加，适用于无限时域的移动健康应用。
• 由于其半参数结构，该方法对模型误设具有鲁棒性，尤其当关键混杂因素包含在条件集$S_t$中时。