Deep Learning versus Linear Mixed Models for Estimating Treatment Effects in Longitudinal Repeated-Measures Studies

在临床研究领域，科学家们经常需要追踪患者随时间变化的情况。想象一下，一个人正在服用一种治疗抑郁症的药物；他们的症状并不会在瞬间直接从“糟糕”跳跃到“良好”。相反，受药物、生物学因素以及时间流逝的影响，症状会在每一天发生波动。为了理解一种治疗是否真正有效，研究人员会在多个时间点（数周、数月或数年）收集数据，为每个人建立一条长长的测量线。挑战在于，来自同一个体的这些重复测量值是相互关联的：第一天的状况会影响第二天的状况。传统的统计工具长期以来一直是处理这些关联数据的标准，它们能够让科学家将药物的真实效应从患者病情的自然起伏中分离出来。然而，这些传统工具要求研究人员在开始观察数据之前，必须对康复曲线的形状做出特定的假设。如果现实世界的康复路径与预设的路径不符，工具就可能会失准。

近年来，一种被称为深度学习的新型、更灵活的方法应运而生。与传统工具不同，深度学习并不从预设的形状或僵化的公式开始。相反，它使用一个旨在模仿人类大脑学习方式的计算机系统，使其能够直接从数据本身中发现复杂的模式和关系。这种灵活性非常强大，但也引发了一个关键问题：在医疗试验这种高风险的环境中——其中样本量往往较小且出错成本极高——这种灵活且依赖数据的做法是否真的比成熟的、基于规则的方法表现得更好？法国的一个研究小组决定通过创建一个受控实验来回答这个问题，以观察哪种方法能更准确地衡量治疗效果。

研究人员并未在真实患者身上进行测试，而是在一个高度真实的重度抑郁症临床试验计算机模拟中进行的。他们构建了一个虚拟世界，其中240名参与者被分为三组：一组接受安慰剂，一组接受低剂量药物，另一组接受高剂量药物。他们模拟了参与者在八周内的抑郁评分，并创建了三种不同类型的康复模式，以确保测试具有鲁棒性。他们还改变了检查的时间表，测试了在某些参与者评估时间不同或频率不同的场景下的表现。在这个虚拟环境中，研究人员清楚地知道药物发挥作用的真实情况，因为他们编写了模拟实验的规则。这使他们能够扮演裁判的角色，比较两种方法——传统统计模型和新的深度学习系统——在寻找已知真相方面的表现如何。

当分析开始时，两种方法都能观察到总体趋势：高剂量组的效果优于低剂量组，且两者都优于安慰剂组。从这个广泛意义上说，两种方法都是成功的。然而，当研究人员仔细观察数值的精确度时，明显的差异出现了。传统方法虽然平均而言是可靠的，但在其估算值上显示出与已知真相的明显偏差。平均而言，它对治疗效应的计算在抑郁量表上偏离了约3.5分。相比之下，深度学习系统表现出了惊人的精确度，其估算值与真实值的误差仅为约0.15分。深度学习系统还表现出与已知现实的高度一致性，几乎完美地遵循了真实值，而传统方法则倾向于平滑组间差异，低估了治疗的真实强度。

研究还考察了每种系统在评估时间点和频率发生变化时的表现，模拟了现实世界中检查计划并不统一的情景。深度学习模型证明了其鲁棒性，即使在数据采集间隔不规则的情况下也能保持准确。它能够学习患者康复的底层模式，而无需被告知这些模式的具体形态。依赖于特定假设（关于数据如何连接以及康复曲线形状）的传统方法，在数据无法完美符合其预设预期时，表现出了更大的真实值偏差。研究人员发现，深度学习方法在产生更接近真相的结果时，所需的底层系统假设要少得多。

尽管在模拟实验中取得了这些令人印象深刻的结果，但作者并未宣布最终的胜利。他们强调，这些发现是针对他们所创造的特定条件而言的。该研究使用了一种特定类型的抑郁量表，一个特定的参与者数量，以及一套关于数据生成规则的特定设定。虽然深度学习方法在这一受控设置中表现优异，但研究人员并不声称它在每种医疗试验中都具有普适性的优势。他们指出，深度学习模型可能非常复杂且难以解释，其在本次模拟中的成功并不能保证在所有现实场景中都能胜过传统方法。这项研究是一项概念验证，表明深度学习可以成为估算治疗效应的强大且可靠的工具，特别是当康复模式复杂且难以预先预测时。它开启了进一步调查的大门，邀请科学家们在更大规模、更多样化的试验中测试这些方法，以观察这种精确度在引入现实世界的变量后是否依然成立。