[论文解读] Personalised Decision-Making without Counterfactuals

A. P. Dawid, Stephen Senn|arXiv (Cornell University)|Jan 27, 2023

Health Systems, Economic Evaluations, Quality of LifeEconomics, Econometrics and Finance被引用 3

一句话总结

本文挑战了朱迪亚·珀尔基于反事实推理的个性化医疗决策方法，认为其在理论上存在缺陷且在实践中具有危险性。文章主张采用基于观测条件概率（Pr(Y=1|L=l,X←x)）的传统决策理论框架，以最大化治愈率，指出反事实推理引入了不必要的假设，且在实际应用中可能导致有害的临床决策。

ABSTRACT

This article is a response to recent proposals by Pearl and others for a new approach to personalised treatment decisions, in contrast to the traditional one based on statistical decision theory. We argue that this approach is dangerously misguided and should not be used in practice.

研究动机与目标

• 挑战珀尔及其同事所提出的基于反事实推理的个性化治疗决策在理论和实践上的有效性与安全性。
• 证明基于观测条件概率的传统决策理论方法在临床决策中更优且更可靠。
• 揭示反事实模型所依赖的关键假设，这些假设在真实医疗环境中极不可能成立。
• 表明基于反事实的方法可能因不可验证的因果假设而导致次优或有害的治疗决策。
• 倡导采用干预主义效用和观测数据分布，作为比反事实效用框架更安全、更实用的替代方案。

提出的方法

• 基于观测条件概率 Pr(Y=1|L=l,X←x) 的决策理论框架，用于确定具有协变量特征 L=l 的患者的最优治疗方案。
• 将条件平均治疗效应（CATE）定义为 CATE(l) = Pr(Y=1|L=l,X←1) - Pr(Y=1|L=l,X←0)，当 CATE(l) > 0 时推荐治疗。
• 应用干预主义效用方法，依赖实际干预结果而非未观测到的反事实。
• 利用实验数据，以及在有可用时结合协变量如“意向治疗”（X*）的观察数据，对受益概率（PB）和伤害概率（PH）建立边界。
• 使用参数 τ（ATE）和 ρ 表示干预概率的矩阵形式 P(τ, ρ)，在不确定性下实现对 PB 和 PH 的边界估计。
• 结合实验与观察数据，识别“意向治疗”协变量（X*）的分布，即使在 L 未观测到的情况下，也能改善对 PB 和 PH 的边界估计。

实验结果

研究问题

• RQ1 珀尔等人所提出的基于反事实推理的个性化决策方法在理论上是否成立且在实践中安全？
• RQ2 基于观测条件概率的传统决策理论方法是否在治疗选择中优于反事实模型？
• RQ3 反事实模型所依赖的关键假设是什么？这些假设在真实世界临床数据中极不可能成立？
• RQ4 如何利用关于“意向治疗”行为的观察数据来改进受益概率和伤害概率的边界？
• RQ5 在何种条件下，PB 和 PH 的边界会收缩为点估计？这如何影响治疗决策？

主要发现

• 基于反事实推理的个性化医学方法存在严重误导，且由于不可验证的假设，可能造成真实的临床伤害。
• 在缺乏协变量信息（L）的情况下，治疗决策应基于无条件干预概率，而非推断或反事实值。
• 当 L 未被观测到时，最优策略是当条件平均治疗效应（CATE）为正时进行治疗，如示例1中所示，CATE(l) = 0.28。
• 结合观察数据中关于“意向治疗”（X*）的信息与实验数据，即使在 L 未被观测到的情况下，也能获得对受益概率（PB）和伤害概率（PH）更紧的边界。
• 当 (X, Y, X*) 的联合分布能从实验与观察数据的结合中完全识别时，PB 和 PH 的边界会收缩为点估计。
• 基于实际干预结果的干预主义效用方法，仅在反事实假设成立时才与反事实方法得出相同的最优决策；否则，它可避免产生错误结论。