BITES：面向生存数据的均衡个体化治疗效应估计
统计方法学
2022-01-11 v1 机器学习
摘要
估计干预措施对患者结局的效应是个性化医疗的关键方面之一。其推断常面临如下挑战：训练数据仅包含所施治疗的结局，而不包含替代治疗的结局（即所谓的反事实结局）。针对这一场景，已有若干基于观测数据（即干预非随机施加的数据）的方法被提出，适用于连续与二值结局变量。然而，患者结局常以时间-事件数据记录，若观察期内未发生事件则包含右删失事件时间。尽管此类数据极为重要，时间-事件数据却很少用于治疗优化。我们提出一种名为 BITES（Balanced Individual Treatment Effect for Survival data，面向生存数据的均衡个体化治疗效应估计）的方法，其将治疗特定的半参数 Cox 损失与治疗均衡的深度神经网络相结合；即我们使用积分概率度量（Integral Probability Metrics, IPM）对治疗组与非治疗组患者间的差异进行正则化。我们在模拟研究中表明该方法优于当前最优方法（state of the art）。此外，我们在乳腺癌患者队列的应用中证明，可基于六项常规参数优化激素治疗。我们在一个独立队列中成功验证了该发现。BITES 以易于使用的 python 实现提供。
引用
@article{arxiv.2201.03448,
title = {BITES: Balanced Individual Treatment Effect for Survival data},
author = {Stefan Schrod and Andreas Schäfer and Stefan Solbrig and Robert Lohmayer and Wolfram Gronwald and Peter J. Oefner and Tim Beißbarth and Rainer Spang and Helena U. Zacharias and Michael Altenbuchinger},
journal= {arXiv preprint arXiv:2201.03448},
year = {2022}
}