一种估计个体化治疗反应曲线的贝叶斯非参数方法
机器学习
2016-12-13 v2 机器学习
摘要
我们研究利用观测时间序列——即学习者未知数据生成策略的回顾性数据集——估计干预措施随时间产生的连续反应的问题。我们的动机源于应用中反应因个体而异，因此估计个体层面的反应对于个性化决策至关重要。我们将此称为估计个体化治疗反应（ITR）曲线的问题。在统计学中，G计算法（Robins, 1986）常被用于从包含序贯治疗分配的观测数据中估计治疗反应。然而，过去的研究主要集中于获取群体层面的时间点估计。我们利用G计算法，开发了一种新颖的贝叶斯非参数（BNP）方法，该方法能够灵活地对函数型数据建模，并在个体和群体层面提供治疗反应曲线的后验推断。在一个包含入院患者时间序列的挑战性数据集上，我们估计了用于管理肾功能的治疗反应，并表明所得拟合结果比其他方法更准确。从观测数据中获取ITR的精确方法可以极大地加速个性化治疗方案成为可能的进程。
引用
@article{arxiv.1608.05182,
title = {A Bayesian Nonparametric Approach for Estimating Individualized Treatment-Response Curves},
author = {Yanbo Xu and Yanxun Xu and Suchi Saria},
journal= {arXiv preprint arXiv:1608.05182},
year = {2016}
}