[论文解读] Individualized Treatment Selection: An Optimal Hypothesis Testing Approach In High-dimensional Models

Tianxi Cai, Tommaso Cai+1 more|arXiv (Cornell University)|Apr 29, 2019

Statistical Methods and Inference参考文献 45被引用 8

一句话总结

本文提出了一种在高维线性模型中进行个体化治疗选择的假设检验方法，采用去偏个体化治疗效应（ITEs）估计量，以确保在任何未来高维观测下均能统一控制第一类错误。该方法实现了渐近正态性，建立了最优功效，并展现出优异的有限样本性能，在极小化最大风险和自适应框架下具有理论最优性。

ABSTRACT

The ability to predict individualized treatment effects (ITEs) based on a given patient's profile is essential for personalized medicine. The prediction of ITEs enables the comparison of the effectiveness of two treatment procedures for a specific individual. We propose a hypothesis testing approach to choosing between two available treatments for a given individual in the framework of high-dimensional linear models. The methodological novelty is the development of a testing procedure with the type-I error uniformly controlled for any future high-dimensional observation, while the existing methods can only handle certain specific forms of covariates observation. The procedure is based on a debiased estimator of the ITEs and its asymptotic normality. The asymptotic power of the proposed test is established and the finite sample performance is demonstrated in simulation studies. We introduce the optimality framework of hypothesis testing in high dimensions from both minimaxity and adaptivity perspectives and establish the optimality of the proposed procedure. The proposed method can be extended to conduct statistical inference for general linear contrasts, including both average treatment effect and the prediction problem. The procedure is further illustrated through an analysis of electronic health records data from patients with rheumatoid arthritis.

研究动机与目标

• 解决利用高维协变量为个体患者选择最优治疗的挑战。
• 开发一种统计检验程序，无论未来高维观测如何，均能保持统一的第一类错误控制。
• 在高维设定下，通过极小化最大风险和自适应性标准，建立该程序的理论最优性。
• 将该方法扩展至一般线性对比，包括平均治疗效应和预测问题。
• 利用类风湿性关节炎患者的电子健康记录数据验证该方法。

提出的方法

• 该方法采用个体化治疗效应（ITEs）的去偏估计量，以减少高维设定下的偏差。
• 利用去偏ITE估计量的渐近正态性，构建有效的治疗选择假设检验。
• 该程序确保在所有潜在未来高维协变量实现中，第一类错误得到统一控制。
• 通过极小化最大风险和自适应性框架，建立理论最优性，证明该方法的高效性。
• 该方法被扩展至一般线性对比的统计推断，包括平均治疗效应和预测任务。
• 通过模拟研究评估其有限样本性能，并将该方法应用于真实电子健康记录数据。

实验结果

研究问题

• RQ1 能否为高维模型中的个体化治疗选择开发一种假设检验框架，以在高维设定下保持统一的第一类错误控制？
• RQ2 所提出的方法在高维设定下如何实现极小化最大风险和自适应性方面的最优性？
• RQ3 在各种高维配置下，所提出检验的渐近功效如何？
• RQ4 该方法能否扩展至个体化治疗效应之外的一般线性对比推断？
• RQ5 该方法在有限样本及真实世界电子健康记录数据中的表现如何？

主要发现

• 所提出的假设检验程序在所有未来高维观测中均统一控制第一类错误，这一特性在现有方法中无法保证。
• 去偏ITE估计量实现了渐近正态性，使得在高维渐近条件下能够进行有效推断。
• 该方法在极小化最大风险和自适应性框架下均表现出最优渐近功效，证实了其理论最优性。
• 模拟研究证实了其优异的有限样本性能，包括准确的第一类错误控制和高功效。
• 该方法在类风湿性关节炎患者的真实电子健康记录数据集中成功识别出最优治疗。
• 该方法可扩展至平均治疗效应和其他线性对比的推断，显著增强了其实际应用价值。