MOSIC: Model-Agnostic Optimal Subgroup Identification with Multi-Constraint for Improved Reliability

要約

観察データを使用して特定の治療から恩恵を受けるサブグループを特定することは、個別化医療における重要な課題です。
ほとんどの既存のアプローチは、治療効果が改善されたサブグループの識別にのみ焦点を当てています。
ただし、代表性のための最小サブグループサイズを確保したり、信頼性のための十分な交絡因子バランスを達成したりするなどの実際的な考慮事項も、調査結果を臨床的に意味のある実用的なものにするために重要です。
一部の研究ではこれらの制約に個別に対処しますが、同時にそれらを処理するための統一されたアプローチを提供するものはありません。
このギャップを埋めるために、複数の制約の下で最適なサブグループ識別のためのモデルと存在するフレームワークを提案します。
この組み合わせ問題を、新しい修正を伴う制約のないMIN-MAX最適化問題として再定式化し、勾配降下昇天アルゴリズムによって解決します。
さらに、実現可能で局所的に最適なソリューションへの収束を証明します。
私たちの方法は安定しており、非常に柔軟であり、観察データで治療の有効性を推定および最適化するためのさまざまなモデルと技術をサポートしています。
合成データセットと現実世界の両方のデータセットの両方での広範な実験は、複数の制約を満たすサブグループを特定し、より高い治療効果を達成し、さまざまなグループサイズにわたってより良い交絡因子バランスをとる効果を示しています。

要約(オリジナル)

Identifying subgroups that benefit from specific treatments using observational data is a critical challenge in personalized medicine. Most existing approaches solely focus on identifying a subgroup with an improved treatment effect. However, practical considerations, such as ensuring a minimum subgroup size for representativeness or achieving sufficient confounder balance for reliability, are also important for making findings clinically meaningful and actionable. While some studies address these constraints individually, none offer a unified approach to handle them simultaneously. To bridge this gap, we propose a model-agnostic framework for optimal subgroup identification under multiple constraints. We reformulate this combinatorial problem as an unconstrained min-max optimization problem with novel modifications and solve it by a gradient descent ascent algorithm. We further prove its convergence to a feasible and locally optimal solution. Our method is stable and highly flexible, supporting various models and techniques for estimating and optimizing treatment effectiveness with observational data. Extensive experiments on both synthetic and real-world datasets demonstrate its effectiveness in identifying subgroups that satisfy multiple constraints, achieving higher treatment effects and better confounder balancing results across different group sizes.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google