異質な治療効果のための変数重要度指標

科学分野:

• 生物統計学
• 機械学習
• 個別化医療

背景:

• 個別化医療において条件付き平均治療効果（CATE）を推定することは非常に重要です。
• 機械学習（ML）を使用した現在のCATEモデルは複雑であり、異質性ドライバーに関する解釈可能性が欠けている可能性があります。

研究 の 目的:

• 治療効果の異質性の主要因を特定するためのノンパラメトリック治療効果変数重要度指標（TE-VIM）を導入すること。
• 様々なCATE推定戦略およびML技術と互換性のあるTE-VIMの効率的な推定量を開発すること。

主な方法:

• 変数を除外した際の平均二乗誤差（MSE）の増加に基づいてTE-VIMを提案しました。
• ML推定に適応可能な効率的なTE-VIM推定量を開発しました。
• 一般的なメタ学習者を使用した、Leave-one-outおよびKeep-one-inなどの計算戦略を調査しました。

主要な成果:

• シミュレーション研究を通じてTE-VIMの有限サンプル性能を実証しました。
• 実際の臨床試験データを使用してTE-VIMの実用的な応用を説明しました。

結論:

• TE-VIMは、複雑なCATEモデルを解釈し、治療異質性のドライバーを特定するための堅牢な方法を提供します。
• 提案された手法は、治療効果に関する解釈可能な洞察を提供することにより、個別化医療におけるMLの有用性を高めます。