[论文解读] Estimating Bayesian Optimal Treatment Regimes for Dichotomous Outcomes using Observational Data

Thomas Klausch, Peter van de Ven+3 more|arXiv (Cornell University)|Sep 18, 2018

Advanced Causal Inference Techniques参考文献 3被引用 3

一句话总结

本文提出了一种贝叶斯决策理论框架，用于在具有二值结果的观察性研究中估计最优治疗方案（OTR），采用基于潜在结果联合分布的损失函数。该方法在不牺牲生存率的前提下，将头颈部癌患者的化疗使用量减少了75%，通过后验预测推断和对未观测到的潜在结果关联的敏感性分析，实现了治疗负担与结果疗效之间的临床有意义权衡。

ABSTRACT

Optimal treatment regimes (OTR) are individualised treatment assignment strategies that identify a medical treatment as optimal given all background information available on the individual. We discuss Bayes optimal treatment regimes estimated using a loss function defined on the bivariate distribution of dichotomous potential outcomes. The proposed approach allows considering more general objectives for the OTR than maximization of an expected outcome (e.g., survival probability) by taking into account, for example, unnecessary treatment burden. As a motivating example we consider the case of oropharynx cancer treatment where unnecessary burden due to chemotherapy is to be avoided while maximizing survival chances. Assuming ignorable treatment assignment we describe Bayesian inference about the OTR including a sensitivity analysis on the unobserved partial association of the potential outcomes. We evaluate the methodology by simulations that apply Bayesian parametric and more flexible non-parametric outcome models. The proposed OTR for oropharynx cancer reduces the frequency of the more burdensome chemotherapy assignment by approximately 75% without reducing the average survival probability. This regime thus offers a strong increase in expected quality of life of patients.

研究动机与目标

• 开发一种用于在具有二值结果的观察性数据中估计最优治疗方案（OTR）的贝叶斯框架。
• 通过在潜在结果上使用灵活的损失函数，整合患者层面的治疗负担与结果权衡。
• 实现兼顾生存概率与不必要的治疗毒性之间的决策平衡。
• 通过模拟和已知混杂因素的真实头颈部癌数据集评估该方法。
• 为临床决策支持提供预期损失、生存率和治疗分配概率的后验汇总结果。

提出的方法

• 该方法采用贝叶斯决策理论方法，选择使后验期望损失最小化的最优治疗。
• 在损失函数的条件参数化下对潜在结果 (Y(1), Y(0)) 的联合分布进行建模，允许损失结构随协变量变化。
• 后验推断基于潜在结果的两个边际贝叶斯模型，使标准技术（如模型选择和先验设定）得以应用。
• 通过基于对 copula 的先验，对未观测到的潜在结果部分关联进行敏感性分析。
• 同时应用参数模型（逻辑回归）和非参数模型（贝叶斯加性回归树，BART）以评估稳健性。
• 治疗分配规则基于后验预测分布推导，不确定性通过可信区间和后验概率量化。

实验结果

研究问题

• RQ1 通过在观察性数据中显式建模治疗负担与生存结果，贝叶斯框架是否能够改善最优治疗方案的估计？
• RQ2 与仅基于结果的优化相比，包含惩罚不必要治疗的损失函数如何影响最终的治疗方案？
• RQ3 模型误设和样本量对 OTR 估计中后验估计的偏差和覆盖概率有何影响？
• RQ4 该方法在减少头颈部癌患者化疗使用量的同时，如何保持生存率？
• RQ5 后验不确定性与可信区间在多大程度上可为个体化治疗的临床决策提供信息？

主要发现

• 所提出的 OTR 将化疗分配比例相比观察到的治疗方案降低了约 75%，从 55.2% 降至 13.4% 的患者，且平均生存概率未下降。
• 在 OTR 下的平均生存概率为 75.9%，略高于观察方案的 72.8%，表明结果疗效未受损。
• 后验概率显示，对许多患者（尤其是低风险亚组）而言，单纯放疗为最优方案具有高度确定性。
• 模拟结果显示，在小样本中存在乐观偏差，尤其在低异质性条件下，但大样本下逻辑回归模型的覆盖率为名义水平，BART 模型则表现保守。
• 该方法在最小化治疗负担与维持生存率之间实现了强有力的权衡，后验均值和可信区间为决策提供了稳健支持。
• 损失函数的条件参数化使不必要治疗的临床相关惩罚成为可能，与现实临床优先事项保持一致。