论文部分内容阅读
传统因果推断主要关注平均处理效应(average treatment effect,ATE),然而这可能掩盖个体患者反应中重要的异质性。随着精准医学和个性化医疗时代的到来,人们已经从以疾病为中心推进到以个体为中心——提供基于个体的证据指导临床决策,以实现患者的最佳治疗。目前在推进精准医学的发展方面一个日益增长的兴趣是评估异质性处理效应(Heterogeneous treatment effect,HTE),其中个体处理效应(Individual treatment effect,ITE)起着至关重要的作用,此时如何估计ITE成为一个重要的问题。传统的亚组分析在评估异质性时通常一次只考虑一个因素,而不是多种因素的组合。而目前研究的最新进展允许通过ITE的估计检测HTE,以揭示数据中的新见解。在这项研究中,我们对ITE估计的方法进行评价并探索ITE在精准医学发展中的应用。本研究首先基于5种不同参数设置产生模拟数据进行模拟实验,评估Causal Forest、Causal MARS(multivariate adaptive regression splines)和Bagged Causal MARS在随机对照试验和存在混杂的观察性研究中估计ITE的有效性和稳定性,并在均方根误差(Root mean square error,RMSE)和偏差(Bias)两个指标方面进行比较。模拟结果表示:在随机对照研究中,三种方法的预测效果总体相差不大;在观察性研究中采用基于广义线性模型的残差法校正混杂因素后再进行分析时,Causal MARS和Bagged Causal MARS的ITE预测值通常小于真实值;而Causal Forest(Propensity Forest)直接应用于观察性研究中时的预测效果和采用残差法校正混杂因素后再进行Causal Forest分析的预测效果非常相似。此外三种方法的预测效果可能因模型复杂度而异,随着模型复杂度的增高,Causal Forest预测ITE的稳定性和精确性都受到影响,预测性能降低,而Causal MARS和Bagged Causal MARS则表现更佳。但无论何种设置中Bagged Causal MARS都要优于Causal MARS。而后本研究基于两个随机对照试验数据将Causal Forest方法应用于实例分析,以不稳定性心绞痛和肺癌为例,说明ITE估计在推动精准医学发展中的潜力。实例分析一基于SPRINT(systolic blood pressure intervention trial)人群探讨了在接受强化血压干预(systolic blood pressure,SBP<120 mm Hg)或标准血压干预(SBP<140 mm Hg)的非糖尿病患者人群中,不稳定型心绞痛(unstable angina,UA)的预防是否存在HTE。分析结果表明该研究人群在强化血压干预的反应中存在着重要的风险异质性,本研究的结果支持SBP水平较低(<140.5 mm Hg)的目标人群接受强化干预(SBP<120 mm Hg),然而,为了尽可能降低UA的伤害,对于具有高SBP(≥140.5mm Hg)和超高CVD风险(Framingham risk score≥32.08)的人群,我们不推荐强化SBP<120 mm Hg的干预目标。实例分析二基于PLCO(Prostate,lung,colorectal and ovarian cancer screening trial)人群挖掘X线胸片筛查能够有效降低肺癌死亡率的异质性人群。尽管传统分析表明胸片筛查不能有效改善肺癌死亡风险,但本研究分析发现体重指数偏低但吸烟年限较长的亚组可能从筛查中获益。