用于估计重复性个体治疗效果的Model-Twin随机化（MoTR）方法

《Statistics in Medicine》：Model-Twin Randomization (MoTR) for Estimating the Recurring Individual Treatment Effect

本研究利用可穿戴设备获取的密集个人行为数据，提出模型-双胞胎随机化（MoTR）方法，通过因果推断分析个体活动与睡眠时长关联，为个性化健康管理提供依据，并验证该方法在近八年真实数据中的有效性。

　　

摘要

由于移动应用程序和可穿戴传感器的普及，时间密集型、针对个人的“小数据”已变得广泛可用。许多护理人员和自我监测者希望利用这些数据来帮助特定人群改变其行为，以达到预期的健康结果。理想情况下，这需要通过该个人自身的观测时间序列数据来辨别可能的原因和相关性。在本文中，我们估计了身体活动对睡眠时长在个体内的平均治疗效果。我们引入了模型双胞胎随机化（MoTR；“motor”）方法来分析个体的纵向数据。从形式上看，MoTR是g公式（即标准化、后门调整）在序列干扰条件下的应用。它能够估计稳定的、反复出现的个体治疗效果，这与n-of-1试验和单案例实验设计中的方法类似。我们将我们的方法与可能存在混杂因素的标准方法进行比较，以展示如何利用因果推断来提供更个性化的健康行为改变建议，并分析了作者自身近八年的Fitbit步数和睡眠数据。

利益冲突

本手稿的预印本曾作为Eric J. Daza前雇主Evidation Health Inc.的一项早期专利申请的一部分被包含其中。

数据可用性声明

支持本研究结果的数据可在https://github.com/ericjdaza/motr-pstn的motr-pstn项目中公开获取。