[论文解读] Interpretable Dynamic Treatment Regimes

Yichi Zhang, Eric B. Laber+2 more|arXiv (Cornell University)|Jun 5, 2016

Statistical Methods and Inference参考文献 33被引用 4

一句话总结

本文提出了一种使用决策列表（即一系列‘若-则’规则）来估计可解释的动态治疗方案的方法，这些规则易于临床医生理解。该方法基于基于二叉树的计算高效算法，以寻找最优治疗阈值，证明了其一致性并推导出收敛速率，从而在保持可解释性的同时，实现灵活的非参数化最优方案估计，适用于精准医学中的假设生成。

ABSTRACT

Precision medicine is currently a topic of great interest in clinical and intervention science. One way to formalize precision medicine is through a treatment regime, which is a sequence of decision rules, one per stage of clinical intervention, that map up-to-date patient information to a recommended treatment. An optimal treatment regime is defined as maximizing the mean of some cumulative clinical outcome if applied to a population of interest. It is well-known that even under simple generative models an optimal treatment regime can be a highly nonlinear function of patient information. Consequently, a focal point of recent methodological research has been the development of flexible models for estimating optimal treatment regimes. However, in many settings, estimation of an optimal treatment regime is an exploratory analysis intended to generate new hypotheses for subsequent research and not to directly dictate treatment to new patients. In such settings, an estimated treatment regime that is interpretable in a domain context may be of greater value than an unintelligible treatment regime built using "black-box" estimation methods. We propose an estimator of an optimal treatment regime composed of a sequence of decision rules, each expressible as a list of "if-then" statements that can be presented as either a paragraph or as a simple flowchart that is immediately interpretable to domain experts. The discreteness of these lists precludes smooth, i.e., gradient-based, methods of estimation and leads to non-standard asymptotics. Nevertheless, we provide a computationally efficient estimation algorithm, prove consistency of the proposed estimator, and derive rates of convergence. We illustrate the proposed methods using a series of simulation examples and application to data from a sequential clinical trial on bipolar disorder.

研究动机与目标

• 开发一种可为领域专家所理解的最优治疗方案估计方法，尤其适用于探索性研究场景。
• 通过构建兼具灵活性与透明度的治疗方案，弥合精准医学中的研究与实践差距。
• 通过证明一致性并推导出估计量的收敛速率，确保理论严谨性，即使在决策列表的离散、非光滑结构下亦成立。
• 将现有基于树的方法扩展至处理任意数量的治疗阶段和治疗选项。
• 提供一种实用且可扩展的算法，利用二叉树数据结构快速优化阈值，以估计基于决策列表的治疗方案。

提出的方法

• 该方法将治疗方案建模为决策列表——即按顺序排列的‘若-则’规则序列，将患者协变量映射至治疗建议。
• 利用二叉树数据结构在二维协变量空间中高效搜索最优阈值，实现阈值选择的 O(n log n) 时间复杂度。
• 在每个节点，算法维护结果权重的总和以及最佳阈值和（即满足条件下的最小加权和），并在插入过程中递归更新。
• 算法对一个维度的协变量进行排序，并利用二叉树在第二个维度中实现快速查找与插入，以确定最优分割点。
• 在所有可能的协变量对和治疗选项中进行搜索，时间复杂度为 O(n log n q²ₜ mₜ)，其中 qₜ 为协变量维度，mₜ 为治疗数量。
• 该方法设计为一致的，并在决策列表的非光滑、离散结构下仍能达到收敛速率。

实验结果

研究问题

• RQ1 能否在保持理论保证的前提下，高效估计非参数化且可解释的治疗方案？
• RQ2 如何利用决策列表表示既灵活又具有临床可解释性的动态治疗方案？
• RQ3 在基于决策列表的治疗方案中，寻找二维协变量空间内最优阈值的计算复杂度是多少？
• RQ4 与黑箱方法相比，该方法在不牺牲估计质量的前提下，其可解释性如何？
• RQ5 基于离散决策列表的估计量的理论性质（如一致性与收敛速率）是什么？

主要发现

• 所提出的估计量在基于列表的治疗方案类别中是一致的，即使在非线性生成模型下亦成立。
• 通过使用二叉树结构，该方法在阈值选择上实现了 O(n log n) 的时间复杂度，从而可扩展至大规模数据集。
• 该算法通过排序一个协变量并利用树结构在第二个维度中实现快速搜索，成功识别出最优治疗阈值，确保计算效率。
• 理论分析建立了估计量的收敛速率，尽管由于决策列表的离散结构导致其渐近分布非标准。
• 模拟研究和对双相情感障碍临床试验的应用表明，该方法能生成高质量且可解释的治疗方案，在性能上优于或至少匹配灵活的黑箱方法。
• 该方法使临床医生能够批判性地评估并迭代优化数据驱动的治疗策略，从而弥合精准医学中的研究与实践差距。