[论文解读] Using Decision Lists to Construct Interpretable and Parsimonious Treatment Regimes

Yichi Zhang, Eric B. Laber+2 more|arXiv (Cornell University)|Apr 29, 2015

Advanced Causal Inference Techniques参考文献 28被引用 5

一句话总结

本文提出一种基于决策列表的方法，通过将最优治疗规则表示为基于患者协变量的if-then语句序列，构建可解释且简洁的治疗方案。该方法在灵活但可解释的治疗方案类别中采用稳健估计程序，在模拟和真实世界临床试验数据中均表现出对最优治疗规则的一致恢复能力，且在识别正确治疗分配和截断值方面表现优异。

ABSTRACT

A treatment regime formalizes personalized medicine as a function from individual patient characteristics to a recommended treatment. A high-quality treatment regime can improve patient outcomes while reducing cost, resource consumption, and treatment burden. Thus, there is tremendous interest in estimating treatment regimes from observational and randomized studies. However, the development of treatment regimes for application in clinical practice requires the long-term, joint effort of statisticians and clinical scientists. In this collaborative process, the statistician must integrate clinical science into the statistical models underlying a treatment regime and the clinician must scrutinize the estimated treatment regime for scientific validity. To facilitate meaningful information exchange, it is important that estimated treatment regimes be interpretable in a subject-matter context. We propose a simple, yet flexible class of treatment regimes whose members are representable as a short list of if-then statements. Regimes in this class are immediately interpretable and are therefore an appealing choice for broad application in practice. We derive a robust estimator of the optimal regime within this class and demonstrate its finite sample performance using simulation experiments. The proposed method is illustrated with data from two clinical trials.

研究动机与目标

• 为临床实践中对可解释治疗方案的迫切需求提供解决方案，其中统计模型必须经临床医生检验其科学有效性。
• 通过提出既最优又易于理解的治疗方案类别，弥合统计优化与临床可解释性之间的差距。
• 开发一种针对最优决策列表方案的稳健估计方法，即使在模型设定错误时也能保持性能。
• 通过模拟和真实临床试验数据，展示该方法在有限样本下的表现及一致性。

提出的方法

• 该方法将治疗方案表示为决策列表——基于患者协变量的有序if-then规则，实现即时临床可解释性。
• 采用稳健的边际均值模型估计器，从预设的方案类别中识别最优决策列表。
• 该估计器即使在条件结果模型设定错误时，仍具备一致性和高效性。
• 该方法允许对治疗效应进行灵活建模，同时通过结构化的规则形式确保可解释性。
• 通过损失最小化程序估计决策规则中协变量的截断值，以平衡准确度与简洁性。
• 该方法通过模拟数据和两个真实临床试验数据集进行验证，性能评估指标包括价值损失、正确治疗推荐概率以及参数估计误差。

实验结果

研究问题

• RQ1 能否构建一种基于决策列表的治疗方案，使其既最优又对临床医生可解释？
• RQ2 所提出的稳健估计器在有限样本下对真实最优治疗方案的恢复效果如何？
• RQ3 与传统的基于回归或分类的估计器相比，该方法在模型设定错误时是否仍保持高性能？
• RQ4 决策列表结构在不牺牲预测准确性的前提下，能在多大程度上提升临床可解释性？
• RQ5 样本量和协变量维度如何影响估计决策列表的一致性与准确性？

主要发现

• 在连续结果的模拟中，该方法在样本量为100万时，价值损失仅为0.0002，正确推荐最优治疗的概率达99.98%。
• 对于二值结果，即使在中等样本量10万时，该方法仍保持价值损失低于0.008，且正确治疗推荐概率高于95%。
• 估计截断值的均方误差（MSE）以约n⁻¹的速率递减，表明参数估计具有一致性。
• 在大样本量下，该方法在设定I和V中100%的重复实验中正确识别出最优方案的形式及关键协变量。
• 该方法对模型设定错误具有鲁棒性，并在可解释性和临床可用性方面优于其他替代方法。
• 来自两个临床试验的实证结果证实，该方法能够生成与专家判断一致的、具有临床意义的基于规则的治疗建议。