打ち切りまたは打ち切り左側（左トランケーション）を伴う時点までのイベント時間データに対する、異質な治療効果曲線の標的学習

要旨: 近年、2値の治療が時間—イベント（time-to-event）アウトカムに与える対象者固有の効果を定量化するための、因果機械学習推定量に対する関心が高まっている。機械学習予測に内在する正則化バイアスを弱める推定アプローチが提案されており、これらの推定量はいずれも測定された交絡、打ち切り（右打ち切り）、および場合によっては左の打ち切り（左トランケーション）に対処している。しかし、既存のアプローチはいずれも有限標本における性能が最適でないことが判明しており、既存の推定量はいずれもデータの時間的構造を十分に活用できていないため、時間の経過に伴う治療効果が滑らかでない（非スムーズな）推定結果となる。これらの限界に対処するため、2つの治療における条件付き生存確率の差を推定するための、標的学習手続きであるsurv-iTMLEを導入する。既存の推定量とは異なり、surv-iTMLEは左トランケーションと右打ち切りの両方に対応すると同時に、時間の経過に伴う推定された治療効果曲線に対して滑らかさと有界性を強制する。右打ち切りと左トランケーションの双方のシナリオにおける大規模なシミュレーション研究を通じて、有限標本において、surv-iTMLEが既存手法よりもバイアスと、時間変化する効果の推定の滑らかさの点で優れていることを示す。続いて、非小細胞肺がん（NSCLC）患者における免疫療法の生存への効果の異質性を調べることで、surv-iTMLEの実用上の有用性を具体的に示し、既存の推定量では見えにくい、臨床的に意味のある時間的パターンを明らかにする。