[论文解读] Statistical Inference in Dynamic Treatment Regimes

Eric B. Laber, Min Qian+3 more|arXiv (Cornell University)|Jun 30, 2010

Statistical Methods in Clinical Trials参考文献 34被引用 25

一句话总结

本文针对动态治疗方案（DTRs）统计推断中的非正规性问题，其中最优DTR的参数是非光滑函数形式，导致渐近偏差和无效的标准误。本文提出一种自适应置信区间（ACI），在非正规性条件下实现局部一致性，经模拟和一项实际的多动障碍（ADHD）研究验证，为个性化治疗决策提供可靠的推断。

ABSTRACT

Dynamic treatment regimes are of growing interest across the clinical sciences as these regimes provide one way to operationalize and thus inform sequential personalized clinical decision making. A dynamic treatment regime is a sequence of decision rules, with a decision rule per stage of clinical intervention; each decision rule maps up-to-date patient information to a recommended treatment. We briefly review a variety of approaches for using data to construct the decision rules. We then review an interesting challenge, that of nonregularity that often arises in this area. By nonregularity, we mean the parameters indexing the optimal dynamic treatment regime are nonsmooth functionals of the underlying generative distribution. A consequence is that no regular or asymptotically unbiased estimator of these parameters exists. Nonregularity arises in inference for parameters in the optimal dynamic treatment regime; we illustrate the effect of nonregularity on asymptotic bias and via sensitivity of asymptotic, limiting, distributions to local perturbations. We propose and evaluate a locally consistent Adaptive Confidence Interval (ACI) for the parameters of the optimal dynamic treatment regime. We use data from the Adaptive Interventions for Children with ADHD study as an illustrative example. We conclude by highlighting and discussing emerging theoretical problems in this area.

研究动机与目标

• 解决最优动态治疗方案（DTRs）统计推断中的非正规性挑战，其中标准估计量存在渐近偏差。
• 开发一种可靠方法，用于构造当参数为底层分布的非光滑泛函时的置信区间。
• 提出一种实用解决方案，利用序贯多重分配随机试验（SMARTs）的数据实现DTR中不确定性量化。
• 通过多动障碍（ADHD）干预研究的真实数据说明该方法，展示其在临床应用中的可行性。
• 突出动态治疗方案推断中的新兴理论挑战，特别是无限时域和空间相关决策过程中的问题。

提出的方法

• 提出一种自适应置信区间（ACI），通过考虑参数空间中的局部扰动来校正非正规性。
• 采用重采样方法估计在局部备择假设下估计量的抽样分布，从而构建具有正确覆盖概率的置信区间。
• 将ACI应用于最优DTR的估计参数，使用在非正规性下插补的影响力函数估计量。
• 在Q-learning方法中采用双重稳健估计框架来估计Q-函数，确保在模型误设下仍具一致性。
• 实施基于自助法的程序以计算ACI的临界值，确保在非正规性下具有局部有效性。
• 通过模拟和在“儿童多动障碍自适应干预研究”（一项两阶段SMART）中的应用验证该方法。

实验结果

研究问题

• RQ1 非正规性如何影响动态治疗方案推断中估计量的渐近分布和偏差？
• RQ2 能否构建一种置信区间，在标准渐近理论失效的非正规性条件下仍能保持正确的覆盖概率？
• RQ3 所提出的自适应置信区间（ACI）在有限样本和局部扰动下的表现如何？
• RQ4 当参数为数据分布的非光滑泛函时，如何可靠地量化最优DTR参数的不确定性？
• RQ5 将DTR推断扩展至无限时域和空间相关决策过程时，面临哪些关键挑战？

主要发现

• DTR参数的非正规性导致渐近偏差和无效标准误，使传统推断方法不可靠。
• 所提出的自适应置信区间（ACI）在非正规性条件下实现局部一致性，并保持正确的覆盖概率，即使标准渐近近似失效。
• 模拟结果表明，ACI在非正规性条件下具有适当的覆盖水平和更优的尺寸特性，优于传统置信区间。
• 在ADHD研究中，ACI成功量化了估计最优治疗方案的不确定性，支持临床决策制定。
• 该方法在数据分布的局部扰动下仍保持有效，显示出对真实模型的小幅偏离具有鲁棒性。
• 本文识别出无限时域和空间相关DTR是新兴前沿，面临重大的统计与计算挑战。