Improving Longitudinal Targeted Maximum Likelihood Estimation in Target Trial Emulation using Joint Calibrated Weights

技術要約：ターゲット・トライアル・エミュレーションにおける、結合校正重みを用いた縦断的LTMLEの改善

1. 問題提起

ターゲット・トライアル・エミュレーション（TTE）は、観察データから臨床試験（RCT）のデザインを模倣することで、因果的な治療効果を推定するためのフレームワークである。TTEにおける主要な目的の一つは、多くの場合、持続的な治療戦略（例：「常に治療を受ける」対「決して治療を受けない」）の下での反事実的なアウトカムの軌跡の平均を推定する、**プロトコル遵守効果（per-protocol effect）**の推定である。

時変共変量による交絡が存在する場合、これらの効果を推定するために、実務家は**逆確率重み付け（IPW）を用いた周辺構造モデル（MSM）**を一般的に用いる。しかし、標準的なIPW推定量は以下のような重大な課題に直面する：

• 不安定性： サンプルサイズが小さい場合や、共変量のオーバーラップが限定的な場合（ニア・ポジティビティ違反時）、極めて不安定になる可能性がある。
• 感受性： 治療および検閲の重みモデルの誤設定に対して敏感である。
• データの希薄性： プロトコル遵守分析においては、長期の追跡期間において持続的な治療戦略へのサポートが減少することがあり、識別可能な推定対象が弱くなる。

**縦断的ターゲット最大尤度推定（LTMLE）**は、二重に頑健な（doubly robust）代替案を提供し、アウトカム回帰モデルを利用し、治療戦略に部分的に従っている患者のデータも保持するため、一般にIPWによる推定量よりも効率的である。しかし、LTMLEであっても、ターゲティングのステップにおいて（通常は最大尤度推定（MLE）によって推定された）逆確率重みに依存している。その結果、LTMLEは、アウトカム回帰モデルも誤設定されている場合やサンプルサイズが小さい場合に、IPWベースの推定量が持つ不安定性と、重みモデルの誤設定に対する感受性をそのまま引き継いでしまう。

2. 手法

著者らは、TTEに特化して設計された**結合校正重み（joint calibrated weights）**をLTMLEフレームワークに統合した手法である、**結合校正LTMLE（Joint Calibrated LTMLE）**を提案している。

核となる構成要素：

• 結合校正： 重みを単にMLEのみで推定するのではなく、有限標本において共変量のモーメント条件（バランス）を満たすように重みを最適化する。このアプローチは、治療プロセス（非遵守による人工的な検閲を扱う）と検閲プロセス（追跡不能による脱落を扱う）の両方に対して、同時にバランスを強制するものである。
• 校正制約： 著者らは、Yiu and Su [9] による結合校正のアプローチをTTEの設定に適応させている。あらゆる可能な治療戦略をモデル化する標準的なMSMとは異なり、本手法は以下の2つの特定の仮説的集団を対象とする：
  1. 「常に治療を受ける」戦略を遵守するすべての適格患者。
  2. 「決して治療を受けない」戦略を遵守するすべての適格患者。
     校正制約により、重み付け後、これらの加重された集団における共変量分布がターゲット・トライアル集団のベースライン共変量分布と一致するようにし、有限標本における残留不均衡を事実上排除する。
• LTMLEとの統合： 結合校正重みが、LTMLEアルゴリズム内の標準的なMLE重みに取って代わる。手順は以下の通りである：
  1. 治療および検閲のための初期の非安定化MLE重みを推定する。
  2. 結合バランス制約を満たすように、時間を追って逐次的にこれらの重みを校正する凸最小化アルゴリズムを適用する。
  3. 初期のアウトカム予測を更新し、MSMパラメータを推定するために、これらの校正された重みをLTMLEの「ターゲティング」ステップで使用する。
• 推論： 信頼区間を構築するために、著者らは修正ノンパラメトリック・ブートストラップを提案している。この戦略は、初期重みとアウトカム予測の推定（元のデータに対して一度のみ実行される計算負荷の高いステップ）を、ターゲティングおよびMSM適合（各ブートストラップ・サンプル内で実行されるステップ）から分離するものである。これにより、妥当な漸近的推論を維持しつつ、計算負荷を大幅に軽減できる。

3. 主な貢献

• 新しい推定量： 本論文は、TTEにおけるプロトコル遵守効果の推定のための、LTMLEフレームワーク内での結合校正重みの最初の実装を紹介している。
• TTEへの適応： 著者らは、既存の結合校正理論を、人工的な検閲（非遵守によるもの）と追跡不能（脱落によるもの）を特定の治療戦略に対して同時にバランスさせる必要があるという、TTEの特有の構造に対処するために適応させた。
• 計算効率： 結合校正とLTMLEの計算負荷の高い手順を、繰り返しの再サンプリングに対して実行可能にする、修正ブートストラップアルゴリズムを開発した。
• 実装： 既存のRパッケージ（例：ltmle）は、MLE重みを結合校正重みに置き換えることをサポートしていないため、著者らはカスタム実装を提供している。

4. 結果

結合校正LTMLEの性能は、4つのシミュレーション研究と、HIV疫学研究（HERS）データへの適用を通じて評価された。

シミュレーションの知見：

• 正しいモデル指定： 弱い交絡の下では、結合校正LTMLEは標準的なLTMLEと同等の性能を示した。強い交絡の下では、分散の減少により、一般に低い平方根平均二乗誤差（RMSE）を達成した。ただし、小標本（例：$n=300$）では、校正がバイアスを減少させる一方で分散を増大させるという、バイアスと分散のトレードオフが生じることがあった。
• モデルの誤設定： 治療、検閲、またはアウトカムの関数形式が誤設定されていた場合、結合校正LTMLEは標準的なLTMLEを一貫して上回り、有意に低いバイアス、標準誤差、およびRMSEを示した。これは、同手法のモデル誤設定に対する頑健性を強調している。
• 検閲とホライゾン： 校正の恩恵は、検閲が存在する場合や、研究ホライゾンがより長い場合に、より顕著であった。これらの要因は、重み推定の複雑さを増大させるためである。
• 信頼区間： 各サンプル内で重みを再校正するブートストラップ法は、公称の95%レベルに近いカバー率を提供した。重みを固定した手法は、強い交絡下、特に小標本において、カバー率の低下が見られた。

HERSデータの適用：

• 本手法は、高度な抗レトロウイルス療法（HAART）がCD4細胞数に及ぼす影響を推定するために適用された。
• 共変量のバランス： Loveプロットは、標準的なMLE重み（パラメトリックまたはSuperLearnerベース）は不均衡を減少させるものの、完全なバランスには至らないことを示した。一方、結合校正重みは、すべての訪問および戦略において、ほぼ完全な共変量バランスを達成した。
• 収束の問題： 後期の追跡訪問（訪問10以降）において、「常に治療を受ける」戦略について、校正手順が収束しないという事象が発生した（これは実用的なポジティビティ違反によるものである）。このような場合、手法は初期のMLE重みを使用する形へと退行したが、これは観察されたデータにおけるサポートの不足を示す診断指標として機能した。

5. 意義と主張

著者らは、結合校正LTMLEが、TTEアプリケーションにおける標準的なLTMLEに対する実用的かつ効果的な強化策であることを主張している。その意義は以下の点にある：

• 有限標本における性能の向上： 共変量のバランスを直接強制することにより、特に強い交絡やモデルの誤設定がある設定において、IPWベースの推定器の不安定性を緩和する。
• 頑健性： 撹乱モデル（治療、検閲、およびアウトカム）の誤設定に対する追加の保護層を提供し、MSMパラメータの平均二乗誤差を減少させる。
• 診断的有用性： 校正手順が収束しない可能性は、観察されたデータにおけるポジティビティ仮定の実践的な違反や、治療戦略に対するサポートの不足を特定するための診断ツールとして機能する。

本論文は、結合校正は根本的なデータの希薄性の問題（data sparsity）を解決するものではないものの、LTMLEの効率性と頑健性を向上させ、縦断的な観察研究におけるプロトコル遵守効果の推定において価値のあるツールであることを結論づけている。著者らは、今後の課題として、これらの手法を生存アウトカムや高次元の設定へ拡張することを検討できると述べている。