[论文解读] Heterogeneous Treatment Effect Estimation using machine learning for Healthcare application: tutorial and benchmark

Yaobin Ling, Pulakesh Upadhyaya+3 more|arXiv (Cornell University)|Sep 27, 2021

Advanced Causal Inference Techniques参考文献 62被引用 7

一句话总结

本文介绍了利用机器学习进行医疗保健应用中的异质性处理效应（HTE）估计，提供了基于真实世界索赔数据的教程和基准测试。该研究评估了多种机器学习模型在个性化治疗效应预测中的表现，展示了在药物再利用和临床决策支持中实现可行性与可解释性的潜力。

ABSTRACT

Developing new drugs for target diseases is a time-consuming and expensive task, drug repurposing has become a popular topic in the drug development field. As much health claim data become available, many studies have been conducted on the data. The real-world data is noisy, sparse, and has many confounding factors. In addition, many studies have shown that drugs effects are heterogeneous among the population. Lots of advanced machine learning models about estimating heterogeneous treatment effects (HTE) have emerged in recent years, and have been applied to in econometrics and machine learning communities. These studies acknowledge medicine and drug development as the main application area, but there has been limited translational research from the HTE methodology to drug development. We aim to introduce the HTE methodology to the healthcare area and provide feasibility consideration when translating the methodology with benchmark experiments on healthcare administrative claim data. Also, we want to use benchmark experiments to show how to interpret and evaluate the model when it is applied to healthcare research. By introducing the recent HTE techniques to a broad readership in biomedical informatics communities, we expect to promote the wide adoption of causal inference using machine learning. We also expect to provide the feasibility of HTE for personalized drug effectiveness.

研究动机与目标

• 弥合机器学习因果推断方法与真实世界医疗保健应用之间的差距。
• 评估基于真实世界行政索赔数据进行异质性处理效应（HTE）估计的可行性。
• 为生物医学信息学家提供将HTE方法应用于医疗研究的实用教程。
• 在医疗背景下对多种机器学习模型进行HTE估计的基准测试。
• 指导在临床和转化研究环境中对HTE模型进行解释与评估。

提出的方法

• 本研究采用一系列最先进的机器学习模型进行HTE估计，包括双重机器学习、因果森林以及基于深度学习的方法。
• 模型在真实世界的医疗索赔数据上进行训练，其中特征代表患者协变量、治疗暴露和结果。
• 该框架采用潜在结果建模来估计个体水平的治疗效应，同时考虑混杂因素的影响。
• 通过均方误差（MSE）和决定系数（R-squared）等指标评估模型性能，针对反事实结果进行评估。
• 采用两阶段估计流程：首先训练结果模型和倾向得分模型；其次使用基于残差的方法估计治疗效应。
• 研究包括严格的超参数调优和交叉验证，以确保模型的稳健性和泛化能力。

实验结果

研究问题

• RQ1 基于机器学习的HTE估计能否有效应用于真实世界的医疗索赔数据？
• RQ2 在医疗基准测试中，不同HTE模型在准确性和稳定性方面如何比较？
• RQ3 在嘈杂、稀疏且存在混杂因素的真实世界数据中应用HTE方法面临哪些关键挑战？
• RQ4 在临床研究背景下，如何有意义地解释和评估HTE模型？
• RQ5 HTE估计在多大程度上能够支持个性化药物疗效预测和药物再利用？

主要发现

• 研究结果表明，基于机器学习的HTE模型在真实世界索赔数据上能够实现有意义的性能表现，部分模型优于传统方法。
• 因果森林和双重机器学习模型在估计多样化患者亚组中的异质性治疗效应时表现出较强的鲁棒性和更低的偏差。
• 模型性能显著受数据质量影响，在高发病率疾病和噪声较少的数据集中表现更优。
• 可解释性工具（如SHAP值）帮助临床医生理解哪些患者特征对预测的治疗效应影响最大。
• 基准测试表明，没有单一模型在所有结果上始终优于其他模型，凸显了需根据数据特征选择合适模型的重要性。
• 结果支持在真实世界医疗环境中使用HTE估计实现个性化医疗和药物再利用的可行性。