一种评估黏弹性检测驱动的创伤治疗方案的数据自适应靶向学习方法
应用统计
2022-09-27 v2
摘要
由于观察性研究中收集的创伤数据具有高维但有限样本的特性，估计创伤治疗方案的影响十分复杂。黏弹性检测是高度预测止血的指标。然而，基于血栓弹力图（TEG）的治疗方案的有效性尚未经过统计评估。为了用稀疏数据进行稳健可靠的估计，我们构建了一台使用协作式靶向最大基于损失的估计（CTMLE）框架来估计候选变量因果影响的“机器”。通过计算效率通过使用可扩展版 CTMLE 实现，使得协变量在进入估计步骤前按其重要性的汇总统计量预排序。为了扩展该估计量在实践中的应用，我们结合 CTMLE 使用超级学习（super learning）灵活选择算法的最佳凸组合。通过在高维中选择最优协变量集并减少预排序算法选择中的约束，我们能够构建稳健且数据自适应的模型来估计目标参数。在此估计框架下，CTMLE 在模拟研究中优于其他双重稳健估计量（IPW、AIPW、稳定化 IPW、TMLE）。CTMLE 对目标参数（ATE）表现出非常准确的估计。将 CTMLE 应用于真实创伤数据，该治疗方案（伤后即刻使用 TEG 值）相比标准治疗显著改善了创伤患者止血状态（出血控制），并在 6 小时死亡率上有所降低。估计结果未显示到达后 24 小时死亡率的显著变化。
引用
@article{arxiv.1909.12881,
title = {A Data-Adaptive Targeted Learning Approach of Evaluating Viscoelastic Assay Driven Trauma Treatment Protocols},
author = {Linqing Wei and Lucy Z. Kornblith and Alan Hubbard},
journal= {arXiv preprint arXiv:1909.12881},
year = {2022}
}
备注
Further revisions needed