多領域のアウトカムに対する個別化治療効果のマキシミン学習

Abstract

精密なメンタルヘルスでは、複数の臨床領域を反映した異質な症状を考慮した治療の意思決定が必要です。しかし、個別化治療効果（ITE）を推定する既存手法は、単一の要約アウトカム、または特定の観測された症状や測定指標の集合に依存しており、症状の選択に影響を受けやすく、観測されていないものの臨床的に関連のある領域への汎化可能性が制限されます。本研究では、潜在因子表現と敵対的学習を活用することで、高次元の項目レベルデータから頑健なITEを推定する新しいマキシミン（maximin）枠組みDRIFTを提案します。DRIFTは一般化因子分析により潜在構成概念を学習し、その後、観測された測定指標の外側へと外挿して、起こり得るアウトカムのより広い超集団（ハイパー・ポピュレーション）を近似する、アンカー付きのオンターゲット不確実性集合を構築します。この不確実性集合上で最悪時の性能を最適化することで、DRIFTは過小に表現された、または未測定の領域に対して頑健なITEを得ます。さらに、DRIFTが潜在因子の許容される再パラメータ化に対して不変であること、そして同時に、同閉形式のマキシミン解を認めること、加えて同定と収束に関する理論的保証を備えることを示します。大うつ病性障害に関するランダム化比較試験（EMBARC）の解析において、DRIFTは優れた性能を示し、学習時に用いなかった副作用や自己申告による症状を含む、外部の複数領域のアウトカムへの汎化性能が向上することを示します。