Doubly-Robust Bayesian Estimation of Individualized Treatment Rules via Network Meta-Analysis

Individualized Treatment Rules (ITRs) are used to recommend a treatment that optimizes an individual's expected outcome based on their covariates. Single studies often have low power when it comes to estimating ITRs, and rarely compare all treatments of interest head-to-head. Two-stage ITR Network Meta-Analysis (NMA) was recently proposed to overcome these challenges, where study-specific ITRs are estimated in the first stage and pooled using a NMA model in the second stage. We introduce Bayesian Bootstrap dynamic Weighted Ordinary Least Squares (BBdWOLS), a doubly-robust approach to ITR estimation that accounts for missing at random outcomes. We combine BBdWOLS with a Bayesian NMA model to provide a fully Bayesian, doubly-robust approach to ITR NMA. In simulations, we show that our approach is more robust and efficient than the competing approach. We apply our approach to estimate an optimal ITR from pharmacological treatments for major depressive disorder.

Estimation bayésienne doublement robuste de règles de traitement individualisées via une méta-analyse en réseau

Les règles de traitement individualisées (ITR) sont utilisées pour recommander un traitement qui optimise les résultats attendus pour un individu en fonction de ses covariables. Les études individuelles ont souvent une faible puissance lorsqu'il s'agit d'estimer les ITR et comparent rarement tous les traitements d'intérêt de manière directe. Une méta-analyse en réseau (NMA) en deux étapes a récemment été proposée pour surmonter ces difficultés. Elle consiste dans un premier temps à estimer les ITR spécifiques à chaque étude, puis à les regrouper à l'aide d'un modèle NMA. Nous présentons la méthode bayésienne bootstrap dynamique des moindres carrés ordinaires pondérés (BBdWOLS), une approche doublement robuste pour l'estimation de l'ITR qui tient compte des résultats manquants aléatoires. Nous combinons la méthode BBdWOLS avec un modèle NMA bayésien pour offrir une approche entièrement bayésienne et doublement robuste de la NMA des ITR. Par des simulations, nous démontrons que notre approche est plus robuste et plus efficace que l'approche concurrente. Nous appliquons notre approche pour estimer un ITR optimal à partir de traitements pharmacologiques pour les troubles dépressifs majeurs.

Session

Bayesian Methods for Multiplicity, Information Borrowing, and Precision Medicine

Date and Time