[论文解读] Concentration of Benefit index: A threshold-free summary metric for quantifying the capacity of covariates to yield efficient treatment rules

Mohsen Sadatsafavi, Mohammad Alì Mansournia+1 more|arXiv (Cornell University)|Jan 1, 2020

Health Systems, Economic Evaluations, Quality of Life参考文献 35被引用 6

一句话总结

该论文提出了收益集中度指数（Cb），这是一种无需设定阈值的度量指标，通过比较在有和没有协变量信息的情况下，对随机选取的两名患者中的一人进行治疗时的期望结果，来量化协变量在预测哪些患者最可能从治疗中获益方面的表现。Cb 提供了一个理论基础坚实、可解释性强的个体化治疗规则性能度量，适用于所有治疗阈值。

ABSTRACT

When data on treatment assignment, outcomes, and covariates from a randomized trial are available, a question of interest is to what extent covariates can be used to optimize treatment decisions. Statistical hypothesis testing of covariate-by-treatment interaction is ill-suited for this purpose. The application of decision theory results in treatment rules that compare the expected benefit of treatment given the patient's covariates against a treatment threshold. However, determining treatment threshold is often context-specific, and any given threshold might seem arbitrary when the overall capacity towards predicting treatment benefit is of concern. We propose the Concentration of Benefit index (Cb), a threshold-free metric that quantifies the combined performance of covariates towards finding individuals who will benefit the most from treatment. The construct of the proposed index is comparing expected treatment outcomes with and without knowledge of covariates when one of a two randomly selected patients are to be treated. We show that the resulting index can also be expressed in terms of the integrated efficiency of individualized treatment decision over the entire range of treatment thresholds. We propose parametric and semi-parametric estimators, the latter being suitable for out-of-sample validation and correction for optimism. We used data from a clinical trial to demonstrate the calculations in a step-by-step fashion, and have provided the R code for implementation (https://github.com/msadatsafavi/txBenefit). The proposed index has intuitive and theoretically sound interpretation and can be estimated with relative ease for a wide class of regression models. Beyond the conceptual developments, various aspects of estimation and inference for such a metric need to be pursued in future research.

研究动机与目标

• 解决传统协变量-治疗交互作用检验在识别有效治疗规则方面的局限性。
• 开发一种度量指标，用于量化协变量整体预测治疗获益的能力，而无需依赖于人为设定的治疗阈值。
• 提供一个理论基础坚实、可解释性强且可估计的个体化治疗规则性能总结度量，适用于所有可能的阈值。
• 通过半参数估计方法实现样本外验证和乐观偏差校正。
• 通过真实临床试验数据展示该度量指标的实际应用，并提供开源的 R 代码以供实现。

提出的方法

• 收益集中度指数（Cb）被定义为在已知和未知患者协变量信息的情况下，对随机选取的两名患者中的一人进行治疗时，期望结果的差异。
• Cb 在数学上等价于在所有治疗阈值范围内，个体化治疗决策的综合效率。
• 提出了参数型和半参数型估计器，其中后者支持样本外验证和乐观偏差校正。
• 该方法利用回归模型估计条件治疗效应，并以保持可解释性的方式计算该指数。
• 通过经验风险最小化来估计该指数，可应用于广泛类别的回归模型。
• 提供了 R 包以供实现，支持临床和卫生服务研究中的可重复性和实际应用。

实验结果

研究问题

• RQ1 我们如何量化协变量在识别最可能从治疗中获益的患者方面的整体预测能力，而独立于特定的治疗阈值？
• RQ2 是否存在一种理论基础坚实且可解释的度量指标，能够总结所有可能阈值下个体化治疗规则的性能？
• RQ3 我们如何以对过拟合具有鲁棒性的方式估计此类度量指标，并实现样本外验证？
• RQ4 所提出的指数是否能够高效计算并应用于现实世界中的临床试验数据？
• RQ5 该指数与现有治疗效果异质性度量之间存在何种关系？

主要发现

• 收益集中度指数（Cb）提供了一个无需设定阈值的协变量效用总结度量，用于识别最可能从治疗中获益的患者。
• Cb 在数学上等价于所有治疗阈值下个体化治疗规则的综合效率，提供了统一的解释。
• 所提出的半参数估计器支持样本外验证和乐观偏差校正，增强了在实际应用中的可靠性。
• 该指数可解释为：基于协变量信息，从随机选取的两名患者中选择更优者进行治疗时，结果的期望改善程度。
• 该方法适用于广泛类别的回归模型，并可通过公开的 R 代码实现。
• 该指数在临床试验数据分析中展现出坚实的理论基础和实际应用价值，如逐步应用示例所示。