機械学習とロジスティック回帰による傾向スコア推定の比較：PARADIGM-HF無作為化試験に対するトライアルエミュレーションによるベンチマーキング

科学分野:

• 疫学
• 生物統計学
• ヘルスインフォマティクス

背景:

• 因果推論を強化するために、傾向スコア推定にMLがますます使用されている。
• 交絡因子の選択と調整におけるデータ駆動型MLアプローチの有効性は依然として不確かである。

研究 の 目的:

• 因果推論のための傾向スコア推定におけるMLベースの傾向スコア手法を、従来のロジスティック回帰と比較してベンチマークすること。
• ML傾向スコアモデルにおける自動特徴選択の影響を評価すること。

主な方法:

• 米国退役軍人（2016-2020）からの観察データを使用して、PARADIGM-HF試験の二次分析をエミュレートした。
• 3つの傾向スコアアプローチを比較した：ロジスティック回帰（事前指定された交絡因子）、事前指定された交絡因子を持つ一般化ブーステッドモデル（GBM）、および拡張共変量と自動特徴選択を持つGBM。
• 主要な結果：ロジスティック回帰は、試験結果に最も近い推定値をもたらした。

主要な成果:

• ロジスティック回帰は、試験結果に最も近い推定値をもたらした。
• 事前指定された交絡因子を持つGBMは、ロジスティック回帰に対する改善を示さなかった。
• 自動特徴選択を持つGBMは、推定誤差を増加させ、実質的なバイアスを導入した。

結論:

• MLベースの傾向スコア手法は、本質的に因果推定を改善しない。
• MLモデルにおける自動特徴選択は、過剰調整バイアスを導入する可能性がある。
• 信頼性の高い因果推論には、慎重な交絡因子の特定と因果推論が、アルゴリズムの複雑さを上回って重要である。