ランダム化比較試験での因果機械学習によるCOPDの悪化に対する個々の治療効果の推定

理論的根拠：個々の治療効果（ITE）とも呼ばれる個々のレベルでの介入の因果効果を推定することは、介入前に応答を特定するのに役立つ可能性があります。 目的：ランダム化比較試験からのデータを使用して介入のITEを推定する機械学習（ML）モデルを開発し、このアプローチを年間慢性閉塞性肺疾患（COPD）増悪率に関するITEの予測で説明することを目指しました。 方法：研究のCOPDを持つ8151人の患者からのデータを使用して、COPD（Summit）試験（NCT01313676）の死亡率と罹患率を理解して、増加率と概念（プラセボ）対コントロール（プラセボ）のITEに対処します因果推論モデルの力を評価するための新しいメトリックQスコアを開発しました。次に、COPD治療の経路（衝撃）試験（NCT02164513）の通知から5990人の被験者の方法論を検証して、FF/UMECLIDINIUM/VI（FF/UMEC/VI）対UMEC/VIのITEを悪化率に推定しました。因果森林を因果推論モデルとして使用しました。 結果：サミットでは、因果森林がトレーニングセット（n = 5705）で最適化され、2446人の被験者（Qスコア0.61）でテストされました。衝撃では、因果森林はトレーニングセットの4193人の被験者に最適化され、1797人の個人（Qスコア0.21）でテストされました。両方の試験で、最も強いITEの患者の分位は、観察された増悪率の最大の減少を一貫して実証しました（0.54および0.53、p <0.001）。それぞれ不十分な肺機能と血液好酸球は、ITEの最も強力な予測因子でした。 結論：この研究は、因果推論のMLモデルを使用して、異なるCOPD治療に対する個々の反応を特定し、治療特性を強調することができることを示しています。このようなモデルは、COPDの個々の治療決定のための臨床的に有用なツールになる可能性があります。

RATIONALE: Estimating the causal effect of an intervention at individual level, also called individual treatment effect (ITE), may help in identifying response prior to the intervention. OBJECTIVES: We aimed to develop machine learning (ML) models which estimate ITE of an intervention using data from randomised controlled trials and illustrate this approach with prediction of ITE on annual chronic obstructive pulmonary disease (COPD) exacerbation rates. METHODS: We used data from 8151 patients with COPD of the Study to Understand Mortality and MorbidITy in COPD (SUMMIT) trial (NCT01313676) to address the ITE of fluticasone furoate/vilanterol (FF/VI) versus control (placebo) on exacerbation rate and developed a novel metric, Q-score, for assessing the power of causal inference models. We then validated the methodology on 5990 subjects from the InforMing the PAthway of COPD Treatment (IMPACT) trial (NCT02164513) to estimate the ITE of FF/umeclidinium/VI (FF/UMEC/VI) versus UMEC/VI on exacerbation rate. We used Causal Forest as causal inference model. RESULTS: In SUMMIT, Causal Forest was optimised on the training set (n=5705) and tested on 2446 subjects (Q-score 0.61). In IMPACT, Causal Forest was optimised on 4193 subjects in the training set and tested on 1797 individuals (Q-score 0.21). In both trials, the quantiles of patients with the strongest ITE consistently demonstrated the largest reductions in observed exacerbations rates (0.54 and 0.53, p<0.001). Poor lung function and blood eosinophils, respectively, were the strongest predictors of ITE. CONCLUSIONS: This study shows that ML models for causal inference can be used to identify individual response to different COPD treatments and highlight treatment traits. Such models could become clinically useful tools for individual treatment decisions in COPD.