두 치료군 간 생존시간을 비교하는 임상 연구 또는 시험에서, 제한 평균 수명(RML)은 시점 0부터 사전에 지정된 시점까지의 생존에 대한 기댓값으로 정의되며, 모델링에 대한 어떠한 제한 없이 임상의가 해석하기 용이한 관심량인 경우가 많다. 처치가 무작위로 배정되지 않는 경우(관찰 연구에서와 같이)에는 교란 요인에 의한 처치 불균형을 보정하기 위해 공변량 조정이 필요하다는 점은 잘 알려져 있다. 본 논문에서는 공변량을 고려하면서 두 군 간 RML의 차이를(평균 인과효과를 추정하는 지표에 해당) 효과적으로 추정하기 위한 단순한 이중강건(doubly-robust) 의사값(pseudo-value) 접근법을 제안한다. 제안된 방법은 두 가지 일반적 접근을 결합한다: (a) 사건발생까지의 시간 및 공변량 정보를 위한 군별 회귀모형, (b) 처치 배정의 역확률가중치로서, RML을 생존 결과에 대한 해당 의사관측치(pseudo-observations)로 대체함으로써 검열(censoring)이 존재하는 상황에서의 추정 복잡성을 완화한다. 제안된 추정량은 두 개의 작업 모형 중 적어도 하나가 올바른 경우 일치성을 보인다는 점에서 이중강건적이다. 또한 생존 결과와 공변량 간의 복잡한 연관이 존재하는 경우 인과 추정치에서 발생할 수 있는 편향을 줄이기 위해 인과추론에서 이용 가능한 기계학습 알고리즘의 잠재력을 탐색한다. 의사값 인과효과 추정기의 유한표본 성능을 평가하기 위해 광범위한 시뮬레이션 연구를 수행한다. 더 나아가 유방암 코호트 연구의 데이터에 본 방법론을 적용하여 제시한다. 제안된 방법은 GitHub에서 제공되는 R 패키지 drRML을 사용하여 구현 가능하다.

사건 발생까지의 시간(time-to-event) 분석, 즉 생존 분석(survival analysis)은 일련의 특성(feature)이 주어졌을 때 사건의 발생 시간을 예측하는 것을 목표로 한다. 이 분야에서의 주요 과제 중 하나는 검열(censored)된 데이터에 대응하는 것으로, 이는 학습 알고리즘을 보다 복잡하게 만들 수 있다. Cox의 비례위험 모형과 가속 실패 시간(accelerated failure time, AFT) 모형과 같은 전통적인 방법들이 이 분야에서 널리 사용되어 왔으나, 종종 비례위험(proportional hazards) 가정이나 선형성(linearity)과 같은 가정을 요구한다. 특히 AFT 모형은 미리 지정된 모수적 분포 가정이 필요한 경우가 많다. 예측 성능을 향상시키고 엄격한 가정을 완화하기 위해 최근 몇 년간 위험(hazard) 기반 모형을 위한 많은 딥러닝 접근법들이 제안되었다. 그러나 위험 중심 방법과 비교할 때 AFT의 표현 학습은 단순성과 해석 가능성 측면에서 유리함에도 불구하고, 신경망 문헌에서 AFT에 대한 표현 학습은 널리 탐구되지 않았다. 본 연구에서는 사건 발생까지의 시간 예측을 위한 Deep AFT Rank-regression 모델인 DART(Deep AFT Rank-regression model for Time-to-event prediction; DART)를 제안한다. 이 모델은 표현 학습에 효율적이고 신뢰할 수 있는 Gehan의 순위 통계량(rank statistic)에 기반한 목적 함수를 사용한다. 또한 기준 사건 시간 분포를 수립할 필요성을 제거하는 것뿐 아니라, DART는 표준 AFT 모형에서 사건 시간을 직접 예측하는 것의 장점을 그대로 유지한다. 제안된 방법은 생존 시간 분포에 대해 어떠한 분포 가정도 부과하지 않는 AFT 모델링을 위한 준모수적(semiparametric) 접근법이다. 이는 기존의 신경망 기반 AFT 모형과 달리 추가적인 하이퍼파라미터나 복잡한 모델 아키텍처의 필요성도 없앤다. 다양한 벤치마크 데이터셋에 대한 정량적 분석을 통해, DART가 고처리량(high-throughput) 검열된 사건 발생까지의 시간 데이터에 대해 모델링할 수 있는 유의미한 잠재력을 지님을 보였다.