치료 의도를 통한 교란 변수 탐지: 새로운 관찰 연구 설계

Confounder Detection via Treatment Intent: A New Observational Study Design

과학 발전의 핵심은 개입 효과를 이해하는 것이며, 무작위 대조 실험(RCT)은 많은 응용 분야에서 인과 추론을 위한 최상의 방법으로 간주됩니다. 그러나 RCT는 비용이 많이 들고 시간이 오래 걸리며, 종종 윤리적 또는 실질적인 제약으로 인해 관찰 데이터를 기반으로 결론을 도출할 수 있는 인과적 방법의 필요성이 발생합니다. 이러한 데이터는 점점 더 큰 규모로 수집되고 있지만, 치료 할당 및 결과에 영향을 미치는 모든 변수가 관찰되지 않는다는 점(미관찰된 교란) 때문에 인과 추론에 사용하기 어렵습니다. 본 논문에서는 '치료 의도를 통한 교란 변수 탐지'라는 새로운 연구 설계를 소개합니다. 이 방법은 치료 결정을 내리는 전문가에게 특정 기준에 따라 제안된 두 단위 쌍을 비교하도록 요청하여, 치료 결정의 차이를 설명하는 미관찰된 변수를 파악하는 것을 목표로 합니다. 우리는 이러한 절차에 대한 이론적 근거를 제시하고, 이 연구 설계가 어떤 조건에서 미관찰된 교란 변수를 밝혀낼 수 있는지 확인합니다. 새롭게 확립된 기반을 바탕으로, 중환자실(ICU)에서의 개입 효과를 분석합니다. 먼저, ICU에서 수집된 전자 건강 기록(EHR)이 미관찰된 교란의 영향을 받는다는 강력한 경험적 증거를 제시합니다. 의사의 지식을 대리하는 임상 텍스트 메모와 자연어 처리를 활용하여, 우리는 반합성 환경에서 알려진 진실 데이터를 사용하여 방법론에 대한 개념 증명을 제공합니다.

Understanding the effects of interventions is central to scientific progress, with randomized controlled trials (RCTs) regarded as the gold standard for causal inference in many applied fields. However, RCTs are costly, time-consuming, and often constrained by ethical or practical limitations, motivating the need for causal methods able to draw conclusions from observational data. While such data is collected at ever larger scale, making its use for causal inference is often hindered by the fact that not all variables affecting treatment allocation and the outcome are observed: an issue known as unobserved confounding. In this paper, we introduce a new study design called confounder detection via treatment intent. The idea is to query a human expert who makes treatment decisions, and ask them to compare pairs of units proposed by a principled matching strategy, with the goal of eliciting unobserved variables that explain why treatment decisions differ. We provide a theoretical basis for such a procedure, ascertaining conditions under which such a study design may elicit unobserved confounders. Building on this newly established foundations, we study treatment effects of interventions in the intensive care unit (ICU). First, we show empirical evidence strongly indicating that electronic health records (EHRs) collected in ICUs are subject to unobserved confounding. By using clinical text notes as a proxy for physicians' knowledge and leveraging natural language processing, we provide a proof of concept for our methodology in a semi-synthetic environment with a known ground truth.