Klinik Çalışma Verileri ile Gözlemsel Veritabanlarını Birleştirmenin Yeni Yolu: Kalibre Hizalama ile Etki Tahmini

Giriş

Hassas tıp (precision medicine) çağında, tedavilerin bireysel hasta özelliklerine göre uyarlanması kaçınılmaz bir gereksinim haline geldi. Bu uyarlamanın temelini oluşturan heterogeneous treatment effects (HTEs) veya koşullu ortalama tedavi etkisi (conditional average treatment effect, CATE) tahmini, modern biyoistatistiğin en kritik problemlerinden biri. Randomized controlled trials (RCTs) bu bağlamda nedensel çıkarım için altın standart olmaya devam ediyor; çünkü rastgele atama sayesinde tedavi ataması ile potansiyel karıştırıcı değişkenler arasındaki bağımsızlığı garanti altına alıyorlar. Ancak pratikte çoğu RCT, ortalama etkileri tespit etmeye yönelik tasarlanıyor ve bireysel düzeydeki etki değişkenliğini (effect heterogeneity) ortaya koyacak istatistiksel güçten yoksun kalıyor.

Öte yandan, elektronik sağlık kayıtları (EHR), sigorta talep verileri ve popülasyon kayıtları gibi büyük ölçekli observational studies (OS) zengin kovaryat setleri ve devasa örneklem büyüklükleri sunuyor. Ancak bu veriler gözlemlenebilirlik temelli confounding (karıştırıcılık) sorunlarına açık. Asiaee ve Pal tarafından kaleme alınan "Improving RCT-Based Treatment Effect Estimation Under Covariate Mismatch via Calibrated Alignment" başlıklı çalışma, tam da bu noktada devreye giriyor: RCT'nin nedensel geçerliliği ile OS'nin istatistiksel gücünü birleştirmeyi hedefliyor. Ancak bu entegrasyonu engelleyen temel bir engel var: covariate mismatch (kovaryat uyumsuzluğu).

Ana Analiz: Uyumsuzluğun Yarattığı Yapısal Problem

Kovaryat uyumsuzluğu, RCT ve OS'nin ölçtüğü değişkenlerin kısmen örtüşmesi ancak tamamen aynı olmaması durumunu ifade ediyor. Örneğin, klinik bir çalışmada davranışsal anket verileri veya laboratuvar ölçümleri bulunurken, gözlemsel veritabanında hastane kullanım istatistikleri veya idari kodlar yer alabiliyor. Bu durum, covariate shift (kovaryat kaymasından) farklı olarak; aynı değişkenlerin farklı dağılımlara sahip olması değil, farklı değişken uzaylarının gözlemlenmesi anlamına geliyor.

Mevcut literatürde bu problemi çözmeye yönelik imputation (atama/tahmin) tabanlı yaklaşımlar öne sürülmüştü. Özellikle MR-OSCAR gibi yöntemler, her iki kaynakta da bulunan ortak değişkenler (Z) kullanılarak, sadece OS'de bulunan değişkenlerin (V) RCT için tahmin edilmesini öneriyor. Ancak Asiaee ve Pal'ın çalışması bu yaklaşımın temel bir verimsizliğe sahip olduğunu ortaya koyuyor: İmputasyon, eksik kovaryatların tamamını yeniden oluşturmaya çalışıyor; oysa CATE tahmini için gereken sadece sonuç değişkeni (outcome) tahmin etmeye yetecek düşük boyutlu bir temsil (representation). Yüksek boyutlu V vektörünün tamamını tahmin etmeye çalışmak, özellikle P(V|Z) karmaşık olduğunda, gereksiz bir hesaplama yükü ve tahmin hatası getiriyor.

CALM Çerçevesi: Gömme Hizalaması ile Çözüm

Yazarların önerdiği CALM (Calibrated Alignment under covariate Mismatch) yöntemi, imputasyonu tamamen devre dışı bırakarak embedding alignment (gömme hizalaması) yaklaşımını benimsiyor. Bu çerçevede, her iki veri kaynağı için ayrı embedding fonksiyonları (ϕ_o: OS için, ϕ_r: RCT için) öğreniliyor ve bu fonksiyonlar heterojen özellik uzaylarını ortak bir d-boyutlu temsil uzayı H'ye (latent space) haritalıyor.

CALM'ın işleyiş mantığı üç aşamada özetlenebilir:

1. Representation Learning: OS verisi üzerinde sonuç modelleri, öğrenilen embedding uzayında eğitiliyor.
2. Transfer ve Kalibrasyon: OS'de eğitilen sonuç modelleri, RCT embedding uzayına aktarılıyor ve RCT verisi kullanılarak calibration (kalibrasyon) işlemine tabi tutuluyor.
3. CATE Tahmini: Kalibre edilmiş tahminler, psödo-sonuç regresyonu için varyans azaltma fonksiyonu olarak kullanılıyor.

Burada kritik nokta şu: Causal identification (nedensel tanımlanabilirlik) tamamen RCT'nin rastgele atama yapısına dayanmaya devam ediyor. OS verisi sadece tahminin hassasiyetini (precision) artırmak için, pseudo-outcome aracılığıyla varyansı azaltma rolü oynuyor. Bu yapı, negative transfer (negatif transfer) riskine karşı da koruma sağlıyor; yani OS verisi RCT'ye fayda sağlamayacaksa, kalibrasyon adımı bu durumu dengeleyerek RCT tahminlerinin bozulmasını engelliyor.

Teorik Garantiler ve Deneysel Sonuçlar

Yazarlar, CALM için finite-sample risk bounds (sonlu örneklem risk sınırları) türetiyor. Bu sınırlar, hizalama hatası (alignment error), sonuç modeli karmaşıklığı ve kalibrasyon karmaşıklığı terimlerine ayrışıyor. Önemli bir bulgu, lineer Gauss modelleri altında CALM'ın imputasyon tabanlı yaklaşımları katı bir şekilde genelleştirmesi (strictly generalizes); yani imputasyonun yapabildiğini yapabiliyor ve ek olarak daha genel senaryolarda çalışabiliyor.

Deneysel kısımda ise 51 farklı simülasyon ayarı ve IHDP (Infant Health and Development Program) benchmark verisi kullanılıyor. Sonuçlar çarpıcı: Lineer CATE senaryolarında kalibrasyon tabanlı yöntemler eşdeğer performans gösterirken, nonlinear (doğrusal olmayan) rejimdeki 22 senaryonun tamamında neural embedding varyantı büyük farklarla (large margins) kazanıyor. Bu, özellikle karmaşık biyolojik etkileşimlerin ve doktor hasta etkileşimlerinin modellendiği gerçek dünya senaryoları için önemli bir avantaj.

Ancak yazarlar dürüst bir uyarıda da bulunuyor: Lineer varyant şiddetli dağılım kayması (severe distributional shift) altında negatif transfere karşı koruma sağlarken, neural varyant bu senaryolarda savunmasız olabiliyor. Bu, model seçiminde domain knowledge (alan bilgisi) gerekliliğini vurguluyor.

Kendi Yorumum ve Özgün Çıkarımlar

Bu çalışma, representation learning (temsil öğrenmesi) ve nedensel çıkarım arasındaki kesişimi güçlü bir şekillendiriyor. Geleneksel makine öğrenmesinde, feature engineering (özellik mühendisliği) veya fine-tuning ile elde edilen temsiller genellikle tahmin performansına odaklanır. CALM ise bu temsillerin amacını yeniden tanımlıyor: Ortak bir uzayda hizalama, sadece tahmin doğruluğu değil, aynı zamanda farklı veri kaynakları arasında transfer edilebilirlik sağlıyor.

Özellikle dikkat çekici olan, yazarların attention (dikkat) mekanizmalarına benzer bir mantıkla, hangi kovaryatların sonuç tahmini için gerçekten bilgi taşıdığını veriye dayalı olarak keşfetmesi. Imputasyonun "her şeyi yeniden oluşturma" baskısı altında ezilirken, hizalama yaklaşımı sadece gerekli bilgiyi sıkıştırıyor (compression). Bu, high-dimensional (yüksek boyutlu) EHR verilerindeki binlerce laboratuvar değeri veya klinik not arasından tedavi etkileşimini modasyonu için kritik olanları seçme problemiyle yüzleştiğimizde pratik bir kurtuluş sunuyor.

Gelecek perspektifinden bakıldığında, transformer mimarileri ve foundation modellerinin sağlık verilerinde yaygınlaşmasıyla, CALM gibi hizalama çerçevelerinin önemi artacak. Farklı hastanelerin, farklı ülkelerin veya farklı zamansal periyotların verilerini entegre etmeye çalıştığımızda, covariate mismatch kaçınılmaz olacak. Bu noktada, sadece tahmin için değil, causal inference için öğrenilen embeddings (gömüler), tıbbi istatistiğin yeni standart araçları haline gelebilir.

Sonuç

Asiaee ve Pal'ın CALM çerçevesi, RCT ve OS entegrasyonundaki kovaryat uyumsuzluğu problemini elegan bir şekilde çözüyor. Imputasyonun getirdiği gereksiz karmaşıklıktan kaçınarak, embedding hizalaması ve kalibrasyon kombinasyonuyla hem teorik garantiler sunuyor hem de deneysel olarak üstün performans sergiliyor. Özellikle nonlinear tedavi etkilerinin dominant olduğu hassas tıp uygulamalarında, bu yaklaşım mevcut altın standart yöntemlere ciddi bir alternatif oluşturuyor. Çalışmanın vurguladığı gibi, çözüm eksik veriyi tahmin etmekte değil, farklı dünyaları aynı dilde konuşmaya teşvik etmekte yatıyor. Bu da, büyük verinin gücünü nedensel geçerlilikten ödün vermeden kullanmanın anahtarı olabilir.