利用辅助外部数据进行个体治疗受益者选择的共形推断框架

识别可能从治疗中受益的患者是精准医学的核心，并可指导后续试验、富集设计和个体化决策。尽管随机对照试验（RCT）提供了疗效证据，但它们通常以估计平均治疗效果而非患者层面获益为功效目标。与此同时，人工智能和机器学习方法提供了估计异质性治疗效果的灵活工具，尤其是在使用真实世界数据（RWD）增强时。然而，在实践中，这些估计的效果通常通过简单的排序或阈值规则转化为决策，这在同时评估许多患者时可能忽略不确定性和多重性。受此启发，我们提出了一种与模型无关的共形推断框架，用于具有不确定性意识的受益者选择。该框架将基于CATE的治疗受益选择重新构建为一个多重检验问题。对于每个候选者，我们检验条件治疗获益是否超过临床有意义的阈值，并使用基于RCT的校准构建共形p值。然后通过Benjamini-Hochberg程序调整这些p值，以控制所选受益者中的错误发现率（FDR）。为了提高RCT样本量有限时的效率，可以使用外部数据（如RWD）来训练灵活的治疗效果模型，而共形校准仍以RCT数据为基础。它可以与传统的机器学习算法和新兴的表格基础模型结合使用。模拟表明，该框架保持了FDR控制，其功效取决于基础学习器和外部数据的可比性。一项针对早期非小细胞肺癌的案例研究说明了该方法如何识别出有限切除获益证据的候选特征，以减少过度治疗。