治療個別化を目的とした臨床試験における因果機械学習枠組：溃疡性大腸炎への応用

arXiv:2602.08171v1 Announce Type: new 摘要：ランダム化比較試験は平均治療効果を推定しますが、治療反応の多様性は個別化アプローチの動機となります。重要な問いは、統計的に検出可能な多様性が治療決定の改善に転換するか、というものです。これは相互排斥的な回答をもたらす可能性のある独立した問いです。私たちは、各問いを個別に評価するモジュラールな因果機械学習枠組を提示します：置換重要度分析は多様性を予測する特徴を特定し、ベスト線形予測器（BLP）検定は統計的有意性を評価し、二倍に頑健な政策評価は多様性を考慮することで患者のアウトカムが改善されるかを測定します。この枠組は、ユニティ維持試験のウステキニマブ（溃疡性大腸炎患者用）における患者レベルデータに適用し、クロスフィットされた X-ラーナ モデルを用いて、プラセボ、12 週間ごとに標準用量のウステキニマブ、8 週間ごとに用量増強のウステキニマブを比較しました。予測変数として基盤人口統計データ、薬剤歴、8 週間臨床スコア、臨床検査バイオマーカー、およびビデオから導出されたエンドスコピク特徴が含まれていました。BLP 検定は、エンドスコピック特徴がウステキニマブ対プラセボの治療効果多様性と強い関連性を示しましたが、二倍に頑健な政策評価ではエンドスコピック特徴を組み込むことで予期された再発休止率が改善されなかったことがわかり、クロスフォールドのマルチアーム評価では性能が悪化したことも確認されました。予期価値への予測寄与と政策価値に対する診断的比較では、エンドスコピックスコアは疾病重症度指標として行動していることが判明し、治療を受けた患者のアウトカム予測は向上しましたが、治療選択にノイズを加える結果となりました。一方、臨床変数（糞カルプロテイン、年齢、CRP）は意思決定に関わるバリエーションを捉え込んでいました。これらの結果は、因果機械学習を臨床試験に適用する際に、多様性検定と同時に政策レベルの評価を含めるべきであることを示しています。

arXiv:2602.08171v1 Announce Type: new Abstract: Randomized controlled trials estimate average treatment effects, but treatment response heterogeneity motivates personalized approaches. A critical question is whether statistically detectable heterogeneity translates into improved treatment decisions -- these are distinct questions that can yield contradictory answers. We present a modular causal machine learning framework that evaluates each question separately: permutation importance identifies which features predict heterogeneity, best linear predictor (BLP) testing assesses statistical significance, and doubly robust policy evaluation measures whether acting on the heterogeneity improves patient outcomes. We apply this framework to patient-level data from the UNIFI maintenance trial of ustekinumab in ulcerative colitis, comparing placebo, standard-dose ustekinumab every 12 weeks, and dose-intensified ustekinumab every 8 weeks, using cross-fitted X-learner models with baseline demographics, medication history, week-8 clinical scores, laboratory biomarkers, and video-derived endoscopic features. BLP testing identified strong associations between endoscopic features and treatment effect heterogeneity for ustekinumab versus placebo, yet doubly robust policy evaluation showed no improvement in expected remission from incorporating endoscopic features, and out-of-fold multi-arm evaluation showed worse performance. Diagnostic comparison of prognostic contribution against policy value revealed that endoscopic scores behaved as disease severity markers -- improving outcome prediction in untreated patients but adding noise to treatment selection -- while clinical variables (fecal calprotectin, age, CRP) captured the decision-relevant variation. These results demonstrate that causal machine learning applications to clinical trials should include policy-level evaluation alongside heterogeneity testing.