Covariate Measurement Error in Optimal Dynamic Treatment Regimes: Where and How Should We Correct?

Dynamic treatment regimes (DTRs) represent sequential treatment allocation rules that target the right treatment to the right patient at the right time. Methods for estimating optimal decision rules typically require precisely measured covariates, an assumption often violated in real-world clinical settings where patient-reported variables are subject to recall bias, biomarkers may contain laboratory or device error, and electronic health record data may be imprecise. Ignoring measurement error may bias estimated treatment rules and reduce their reliability. In this talk, we propose a doubly robust estimating equation approach that incorporates regression calibration into the G-estimation framework to correct for covariate measurement error. We present theoretical results and simulation studies evaluating bias, efficiency, and robustness under model misspecification. A real-data application is included to illustrate the practical use of our method for optimal treatment prediction.

Erreur de mesure des covariables dans les régimes de traitement dynamiques optimaux : ou et comment corriger ?

Les régimes de traitement dynamiques (DTR) représentent des règles d’attribution séquentielle des traitements visant à administrer le bon traitement au bon patient au bon moment. Les méthodes d’estimation des règles optimales de décision nécessitent généralement des covariables mesurées avec précision, une hypothèse souvent violée en pratique clinique, où les variables rapportées par les patients sont sujettes à des biais de rappel, où les biomarqueurs peuvent comporter des erreurs de mesure liées aux laboratoires ou aux dispositifs, et où les données des dossiers médicaux électroniques peuvent être imprécises. Ignorer les erreurs de mesure peut biaiser les règles de traitement estimées et réduire leur fiabilité. Dans cette présentation, nous proposons une approche d’équations d’estimation doublement robuste intégrant le calibrage par régression dans le cadre de l’estimation G afin de corriger les erreurs de mesure des covariables. Nous présentons des résultats théoriques et des études de simulation évaluant le biais, l’efficacité et la robustesse en cas de mauvaise spécification du modèle. Une application à des données réelles est incluse pour illustrer l’application pratique de notre méthode à la prédiction du traitement optimal.

Session

Advances in Incomplete and Inaccurate Data

Date and Time