[论文解读] Inference for Treatment Regime Models in Personalized Medicine

Adam Kapelner, Justin Bleich+3 more|arXiv (Cornell University)|Apr 30, 2014

Advanced Causal Inference Techniques参考文献 41被引用 4

一句话总结

本文提出了一套用于个性化医疗的统计框架，利用随机对照试验数据和灵活的回归模型来估计治疗方案。该框架提出了一种新的“改进”度量方法，用于量化基于模型的治疗分配相较于标准方法在患者结果上的提升程度，提供有效的置信区间和假设检验，并通过模拟数据和真实抑郁症试验数据进行了验证，相关方法已通过开源R包实现。

ABSTRACT

In medical practice, when more than one treatment option is viable, there is lit-tle systematic use of individual patient characteristics to estimate which treatment option is most likely to result in a better outcome for the patient. We introduce a new framework for using statistical models for personalized medicine. Our framework exploits (1) data from a randomized comparative trial, and (2) a regression model for the outcome constructed from domain knowledge and no requirement of correct model specification. We introduce a new “improvement ” measure summarizing the extent to which the model’s treatment allocations improve future subject outcomes on average compared to a business-as-usual treatment allocation approach. Procedures are provided for estimating this measure as well as asymptotically valid confidence intervals. One may also test a null scenario in which the hypothesized model’s treat-ment allocations are not more useful than the business-as-usual treatment allocation approach. We demonstrate our method’s promise on simulated data as well as on data from a randomized experiment testing treatments for depression. An open-source soft-ware implementation of our procedures is available within the R package “Personalized Treatment Evaluator ” currently available on CRAN as PTE.

研究动机与目标

• 开发一种系统化方法，利用患者特异性特征在临床实践中指导治疗选择。
• 解决在多个可行治疗选项中缺乏系统性利用个体患者数据以选择最优治疗的问题。
• 引入一种新的“改进”度量方法，用于量化基于模型的治疗分配相较于标准方法的平均收益。
• 为改进度量提供渐近有效的置信区间和假设检验。
• 通过开源R包实现，支持临床研究中的实际应用。

提出的方法

• 利用随机对照比较试验的数据，估计患者亚组中的治疗效果。
• 基于领域知识建立结果的回归模型，无需模型设定完全正确。
• 定义一种新的“改进”度量方法，比较基于模型的治疗分配与常规做法下的期望结果。
• 使用经验似然或其他稳健估计技术估计改进度量。
• 利用影响函数或方差估计方法，构建改进度量的渐近有效置信区间。
• 实施假设检验，以评估基于模型的分配是否显著优于标准实践。

实验结果

研究问题

• RQ1 与非个性化的标准方法相比，基于模型的治疗分配在多大程度上改善了患者结果？
• RQ2 我们如何统计量化使用个性化治疗方案所带来的平均结果改善？
• RQ3 改进度量的抽样变异性如何？我们如何构建有效的置信区间？
• RQ4 我们能否检验所提出的治疗方案是否与常规治疗分配相比无优势？
• RQ5 该方法在真实和模拟的随机对照试验数据上的实际表现如何？

主要发现

• 所提出的改进度量能有效量化基于个性化治疗方案相较于标准实践在患者结果上的平均增益。
• 成功构建了改进度量的渐近有效置信区间，支持可靠的统计推断。
• 该方法在模拟数据和真实抑郁症治疗试验数据上均表现出稳健性能。
• 假设检验能够正确识别出基于模型的分配在统计上无显著优于标准方法的情况。
• 开源R包“Personalized Treatment Evaluator”（PTE）实现了方法的实际应用，保障了可重复性。
• 由于采用了灵活建模和稳健估计技术，即使结果回归模型设定错误，该框架仍保持有效性。