Semi-supervised Method for Risk Prediction with Doubly Censored EHR Data

技術的概要：二重検閲を伴う電子健康記録データを用いたリスク予測のための半教師あり手法

問題定義
本論文は、イベント時間が二重検閲（左側および右側の両方）の対象となる電子健康記録（EHR）データにおいて、リスク効果（回帰係数）を推定するという課題に取り組む。多くの臨床現場では、疾患の真の発症時刻が初回記録された受診日より前である場合（左側検閲）や、追跡調査の終了時点において未観測のままとなる場合（右側検閲）がある。さらに、「ゴールドスタンダード」のイベント時刻を取得するには、労集的な手動によるカルテレビューが必要となることが多く、その結果、正確な結果データを持つ患者のサブセット（ラベル付きセット）はごく一部であり、大多数（ラベルなしセット）は持たないという状況が生じる。

代理アウトカム（例：初回診断コードまでの時間）はコホート全体で利用可能であるが、誤分類のリスクがある。小規模なラベル付きセットのみに依存すると変動が大きくなり、誤りやすい代理アウトカムを直接使用するとバイアスが生じる。既存の半教師あり学習（SSL）手法は、二値アウトカムまたは右側検閲アウトカムに対しては有効であるが、二重検閲の複雑さには対応していない。

手法
著者らは、半パラメトリック線形変換モデルを利用した、二重検閲下におけるリスク予測のための新たな半教師あり学習（SSL）フレームワークを提案する：
$$h(T) = -\beta'Z + \varepsilon$$
ここで、$T$ はイベント時間、$Z$ は共変量のベクトル、$h$ は未知の単調増加関数、$\varepsilon$ は既知の分布に従う。

推定手順は主に 2 つのステップからなる：

1. 教師あり推定：ラベル付きデータ（$D_l$）のみを用いて、被験者固有の独立ポアソン変数を用いた期待値最大化（EM）アルゴリズムを適用するノンパラメトリック最尤法により、教師あり推定量（$\hat{\beta}_{SL}$）を導出する。
2. 増強：代理アウトカム（$T^*$）を含む大規模なラベルなしセット（$D_u$）からの情報を用いて、教師あり推定量を増強する。著者らは、パラメータ $\theta = (\gamma, \alpha)$ を持つ代理変数 $T^*$ に対する作業モデルを仮定する。具体的には 2 つの作業モデルが提案される：
   • モデル 1（同一構造）：$T^*$ が $T$ と同じ半パラメトリック線形変換モデル（式 4）に従うと仮定する。
   • モデル 2（柔軟な構造）：誤差分布が未知であり、真の誤差と相関する可能性がある、より柔軟な変換モデルを仮定する（式 5）。このモデルは、左側検閲確率に対するロジスティックモデルと右側検閲部分に対する Cox モデルを組み合わせた凸損失関数を利用する。

最終的な半教師あり推定量（$\hat{\beta}_{SSL}$）は、結合データ（$\bar{\gamma}$）とラベル付きデータ（$\hat{\gamma}$）から導出された代理パラメータ $\gamma$ の推定量との差に比例する項を用いて $\hat{\beta}_{SL}$ を調整することで構成される。また、両方の作業モデルからの増強項を積み重ねて効率を最大化する結合推定量（$\hat{\beta}_{SSL3}$）も提案される。

主要な貢献

• 方法論的新規性：本論文は、既存の SSL フレームワークでは未解決であった二重検閲データに特化した SSL 手法を開発することで、文献のギャップを埋める。
• 理論的妥当性：著者らは提案された推定量の漸近的特性を確立し、一致性と漸近正規性を証明する。また、代理変数に対する作業モデルが正しく指定されているかどうかにかかわらず、SSL 推定量が教師あり推定量（$\hat{\beta}_{SL}$）よりも効率的であることを示す。
• 効率性の向上：結合推定量は、単一の作業モデルに基づく推定量と比べて少なくとも同等の効率性を有することが示される。
• 頑健性：このフレームワークは、真のラベルの欠損率が高い場合（欠損率が 1 に近づく場合）を扱うように設計されており、標準的な欠損データ手法が適用不能な状況に対応する。

結果

• シミュレーション研究：作業モデルが誤指定されている場合を含む、様々なサンプルサイズと誤差分布を用いた広範なシミュレーションにより、提案された SSL 推定量が教師あり手法と比較して標準誤差を大幅に減少させることが示された。教師あり推定量に対する SSL 推定量の相対効率（RE）は約1.35 から 1.52の範囲であった。結合推定量（$\hat{\beta}_{SSL3}$）は一貫して最高の効率性を達成した。
• 実データ適用：本手法は、米国のある医療システムからの EHR データに適用され、2 型糖尿病（T2D）のリスク因子を研究した。データセットには 115,236 人の患者が含まれており、そのうち手動レビュー（ラベル付き）された発症時刻を持つのは 1,613 人のみであった。SSL 推定量は教師あり推定量よりも大幅に小さな標準誤差を生み出し、相対効率は最大1.81に達した。結果は、登録年齢が高いほど T2D の発症が遅くなること、男性および非白人であることが高いリスクと関連することを確認した。

意義と主張
著者らは、自らの手法が、二重検閲下において限られたゴールドスタンダードのラベルと大規模な代理データを統合する原理的な方法を提供すると主張する。主な意義は、推定効率の大幅な向上にあり、これにより高コストで労集的な手動カルテレビューへの依存を軽減する。豊富なラベルなし EHR データを活用することで、現実世界における疾患リスク因子の研究をより実行可能かつ統計的に頑健にする。本論文は控えめに、効率性の向上は代理変数と真のアウトカムとの関連の強さに依存するが、提案されたフレームワークはモデルの誤指定下でも一貫性を保つと指摘している。今後の課題として、共変量依存の検閲や欠損メカニズム（MAR）への対応をフレームワークに拡張することが提案されている。