Transporting Randomized Trial Effects to Real-World Populations via Riesz-Calibrated Optimal Transport
本文介绍了 RICOT，一种 Riesz 校准的最优传输方法，该方法通过纠正标准传输方法中固有的偏差，实现了在模型设定错误和协变量重叠较弱的情况下，对真实世界目标人群中随机试验效应进行双重稳健且半参数高效的估计。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在医学研究领域，证明一种疗法有效的金标准是随机对照试验。在这些研究中，患者被随机分配接受新药或安慰剂，从而确保任何结果的差异都是由药物本身引起的。然而，参加这些试验的人往往与医生在日常诊疗中看到的患者非常不同。试验参与者可能更年轻、更健康，或者居住在特定的地理区域，而现实世界的群体则包括具有复杂病史、不同年龄和多样化背景的人群。这种差距造成了一个难题：一种药物在试验中可能表现完美，但在应用于公众时表现却可能不同。科学家需要一种方法，将来自试验的可靠结果“运输”到现实世界，通过调整这些差异，以便预测该疗法在所有人身上实际的表现。
挑战在于如何权衡试验数据，使其看起来像现实世界的群体。传统方法试图猜测决定谁能进入试验的规则，但如果这些猜测是错误的，最终的预测也会出错。一个由约翰斯·霍普金斯大学、芝加哥大学和辉瑞公司的统计学家组成的团队开发了一种名为 RiCOT 的新方法来解决这个问题。该方法不通过猜测参与规则，而是使用一种被称为“最优传输”（optimal transport）的数学技术。想象两堆沙子，一堆代表试验患者，另一堆代表现实世界的患者。最优传输寻找最有效的方式，将沙粒从试验堆移动，以匹配现实世界堆的形状。这创建了一张地图，展示了如何精确调整试验数据以适应现实世界。
然而，研究人员发现，仅仅使用这种传输映射会引入一种微妙但持续存在的误差。为了使计算可行而进行的数学平滑处理产生了一种偏差，即使研究规模扩大，这种偏差也不会消失。为了解决这个问题，团队增加了一个校准步骤。他们强制要求传输映射满足特定的平衡条件，确保调整后的试验数据在关键特征上与现实世界的数据完美匹配。这种校准消除了误差，同时保留了传输方法的优势。其结果是一个能够将受控实验中的治疗效果准确投影到现实世界人群中的工具，即使这两个群体非常不同。
研究人员通过广泛的计算机模拟，并将其应用于一个涉及一种名为转甲状腺素淀粉样蛋白心肌病（transthyretin amyloid cardiomyopathy）的罕见心脏疾病的真实案例，对该方法进行了测试。在模拟实验中，他们创造了试验人群与现实世界人群差异巨大且传统方法失效的情景。在这些困难案例中，新方法保持了准确性，而旧技术产生的偏差会导致错误的结论。当应用于该心脏疾病研究时，该方法成功地将试验结果传输到了接受过该治疗的现实世界患者登记库中。它证实了该治疗在三十个月内降低了死亡风险，为该药物对普通人群的益处提供了比以往方法更可靠的估计。
研究还探讨了当数据混乱或试验与现实世界群体之间的重叠较弱时会发生什么情况。新方法表现出了稳健性，在其他方法失效的情况下仍能保持准确。它表明，通过结合传输的几何精度与校准的平衡性，研究人员可以达到以前难以实现的可靠水平。这项工作不仅仅提供了一种新的计算方式；它提供了一种更值得信赖的方法，将临床试验的确定性带入复杂的日常医疗现实中，确保关于治疗方案的决策是基于真正反映使用者情况的证据。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。