临床试验中治疗个体化的因果机器学习框架：应用于溃疡性结肠炎
机器学习
2026-02-10 v1 应用统计
统计方法学
摘要
随机对照试验估计平均疗效，但治疗反应的异质性促使个体化方法取代。一个关键问题是：统计上可检测的异质性是否转化为改进的治疗决策——这些是互为独立的问题，可能会得出相互矛盾的答案。我们提出了一个模块化的因果机器学习框架，分别评估这两个问题：置换重要性识别哪些特征预测异质性，最佳线性预测器 (BLP) 测试评估统计显著性，双鲁棒策略评估依据异质性是否改善患者预后。我们将该框架应用于溃疡性结肠炎中乌泰克尼妥 (ustekinumab) 维持治疗的患者水平数据，比较安慰剂、标准剂量每 12 周给药一次的乌泰克尼妥和剂量加强型每 8 周给药一次的乌泰克尼妥，使用交叉拟合 X-learner 模型，包括基础人口学特征、药物史、第 8 周临床评分、实验室生物标志物和视频派生的内镜特征。BLP 测试确定，内镜特征与乌泰克尼妥相对于安慰剂的治疗效应异质性有强烈关联，但双鲁棒策略评估显示，纳入内镜特征未能提高预期复发的预期值，跨折叠多臂评估显示表现更差。对预后贡献与策略价值的诊断比较揭示，内镜评分表现为疾病严重度标记——在未接受治疗的患者中提高预后预测，但向治疗选择添加噪声——而临床变量（粪便炼谷素、年龄、C反应蛋白）捕获了决策相关的变异。这些结果表明，针对临床试验的因果机器学习应用应包括治疗决策水平的评估，而不仅仅是异质性测试。
引用
@article{arxiv.2602.08171,
title = {A Causal Machine Learning Framework for Treatment Personalization in Clinical Trials: Application to Ulcerative Colitis},
author = {Cristian Minoccheri and Sophia Tesic and Kayvan Najarian and Ryan Stidham},
journal= {arXiv preprint arXiv:2602.08171},
year = {2026}
}