Extensión de MARS de Bootstrap con Grupo LASSO para la Estimación de Efectos de Tratamiento Heterogéneos

Área de la Ciencia:

• Ciencia de Datos Médicos
• Bioestadística
• Biología Computacional

Sus antecedentes:

• Los datos del mundo real (RWD) de encuestas de pacientes y registros médicos son cruciales en la ciencia de datos médicos.
• La estimación de efectos de tratamiento heterogéneos (HTE) a partir de RWD es vital para avanzar en la medicina de precisión y adaptar los tratamientos a subgrupos de pacientes.
• Los métodos existentes, como las MARS de bootstrap de remuestreo causal (BCM), muestran eficacia pero tienen margen de mejora.

Objetivo del estudio:

• Introducir un novedoso modelo de efectos de tratamiento, el método MARS de bootstrap causal de encogimiento.
• Mejorar la estimación de efectos de tratamiento heterogéneos (HTE) utilizando datos del mundo real (RWD).
• Mejorar el rendimiento de los modelos de inferencia causal existentes en estudios observacionales.

Principales métodos:

• El método propuesto utiliza MARS de bootstrap de resultado transformado para la estimación de funciones base.
• La optimización del modelo y la estimación de parámetros se realizan utilizando el método de encogimiento y selección del grupo de mínimos cuadrados absolutos (LASSO).
• El enfoque se basa en el marco de las MARS (Multivariate Adaptive Regression Splines).

Principales resultados:

• Las simulaciones indican que el método MARS de bootstrap causal de encogimiento logra una mejora en el error cuadrático medio y el sesgo en comparación con los métodos existentes.
• El novedoso método demuestra un rendimiento mejorado en la mayoría de los escenarios simulados.
• La aplicabilidad práctica se validó utilizando el conjunto de datos ACTG 175.

Conclusiones:

• El método MARS de bootstrap causal de encogimiento ofrece un enfoque refinado para la estimación de HTE en estudios observacionales.
• Este método tiene un potencial significativo para mejorar la medicina de precisión al permitir decisiones de tratamiento más precisas e individualizadas.
• Los hallazgos sugieren una nueva y valiosa herramienta para analizar datos del mundo real en la investigación clínica.