在多中心数据下估计个体化治疗规则时保护数据隐私

精准医学是一个迅速扩展的健康研究领域，其中利用患者层面的信息来指导治疗决策。统计框架有助于将表征个性化管理方案的治疗决策个体化形式化。已有众多方法被提出用于估计优化预期患者结局的个体化治疗规则，其中许多具有诸如对模型误设具有鲁棒性等良好性质。然而，尽管在此背景下个体数据不可或缺，但可能存在对数据保密性的担忧，尤其在数据对外共享的多中心研究中。为解决此问题，我们比较了两种隐私保护方法：(i) 数据汇集，一种协变量微聚合技术；以及 (ii) 分布式回归。这些方法与双重稳健且用户友好的动态加权普通最小二乘法相结合，用于估计个体化治疗规则。在模拟中，我们在不同假设下广泛评估了这些方法在估计决策规则参数方面的表现。结果表明，双重稳健性在数据汇集情形下无法保持，并可能导致偏倚，而分布式回归则表现出良好性能。我们通过利用国际华法林联盟的数据分析最优华法林剂量来说明这些方法。