[论文解读] Towards personalized causal inference of medication response in mobile health: an instrumental variable approach for randomized trials with imperfect compliance

Elias Chaibub Neto, Ross L. Prentice+6 more|arXiv (Cornell University)|Apr 4, 2016

Advanced Causal Inference Techniques参考文献 25被引用 4

一句话总结

本文提出了一种工具变量（IV）方法，以在移动健康研究中实现药物反应的个性化因果推断，解决不完全依从性问题。通过使用随机化的治疗建议作为工具变量，该方法在存在未观测混杂因素的情况下仍能识别因果效应，在模拟中表现出高统计功效和准确的 I 类错误控制，且 IV 估计量在偏差和精度方面优于意向治疗（ITT）方法。

ABSTRACT

Mobile health studies can leverage longitudinal sensor data from smartphones to guide the application of personalized medical interventions. In this paper, we propose that adoption of an instrumental variable approach for randomized trials with imperfect compliance provides a natural framework for personalized causal inference of medication response in mobile health studies. Randomized treatment suggestions can be easily delivered to the study participants via electronic messages popping up on the smart-phone screen. Under quite general assumptions we can identify the causal effect of the actual treatment on the response in the presence of unobserved confounders. We implement a personalized randomization test of the null hypothesis of no causal effect of treatment on response, and evaluate its performance in a large scale simulation study encompassing data generated from linear and non-linear time series models under several simulation conditions. In particular, we evaluate the empirical power of the proposed test under varying degrees of compliance between the suggested and actual treatment adopted by the participant. Our investigations provide encouraging results in terms of power and control of type I error rates. Finally, we compare the proposed instrumental variable approach to a simple intent-to-treat strategy, and develop randomization confidence intervals for the causal effects.

研究动机与目标

• 解决从移动健康数据中进行药物反应个性化因果推断时存在的未观测混杂因素挑战。
• 开发一种统计框架，即使在随机试验中存在非依从性，也能实现实体层面的因果推断。
• 评估工具变量方法在不同依从率下对 I 类错误控制和统计功效的表现。
• 将所提出的 IV 方法与意向治疗分析进行比较，突出其在偏差减少和估计精度方面的优势。
• 为因果效应开发基于随机化的置信区间，以支持生物医学研究中的实际报告。

提出的方法

• 工具变量方法使用随机化的治疗建议（例如，通过智能手机弹窗）作为工具，以估计实际药物使用对健康结局的因果效应。
• 该方法依赖于排除限制和单调性假设，在存在未观测混杂因素的纵向时间序列数据中识别局部平均因果效应（LATE）。
• 提出了一项随机化检验以评估无因果效应的原假设，通过置换治疗建议生成精确的 p 值。
• IV 估计量计算为工具变量（建议）与结果之间的协方差除以工具变量与实际接受治疗之间的协方差。
• 通过反转随机化检验构建基于随机化的置信区间，提供无需分布假设的可靠推断。
• 该方法在不同依从水平和混杂结构下，使用大规模模拟对线性和非线性时间序列模型进行了评估。

实验结果

研究问题

• RQ1 在参与者依从性不完全的移动健康研究中，工具变量方法是否能有效识别药物对健康结局的因果效应？
• RQ2 在不同依从率下，所提出的 IV 方法与意向治疗分析相比，在 I 类错误控制和统计功效方面表现如何？
• RQ3 当存在未观测混杂因素时，IV 估计量相比意向治疗估计量在偏差减少方面有多大程度的改善？
• RQ4 在此类个性化、纵向设置中，能否可靠地构建基于随机化的因果效应置信区间？
• RQ5 由于抑郁或疾病程度导致的信息性缺失数据或选择机制是否会导致 IV 估计量产生偏差？

主要发现

• 在标准 IV 假设下，所提出的工具变量方法即使在存在未观测混杂因素的情况下，也能成功识别药物对反应的因果效应。
• 随机化检验在所有模拟条件下均保持了准确的 I 类错误率，包括不同依从程度和非线性时间序列模型。
• 该方法表现出较高的经验统计功效，尤其在中等至高依从率下，功效随依从率提高而增加。
• IV 估计量始终优于意向治疗估计量，能有效减少向零的偏差，尤其当真实治疗效应非零时。
• 通过反转随机化检验成功构建了基于随机化的置信区间，提供了无需依赖渐近近似的有效推断。
• 由于信息性缺失数据或因 collider（如由抑郁导致的缺失）引起的条件依赖，选择偏差会扭曲 IV 估计量，凸显了对缺失机制进行仔细建模的重要性。