基于降维的简约型个体化给药剂量发现模型
统计方法学
2021-10-22 v5
摘要
在个性化医疗中学习个体化给药规则是一个具有挑战性的统计问题。现有方法常常受限于维数灾难，尤其是在非参数地估计决策函数时。为应对此问题，我们提出了一种降维框架，该框架将估计有效地约化到协变量的一个低维子空间。我们利用个体化给药规则可以在由协变量少数线性组合所张成的子空间中定义这一事实，从而得到一个更为简约的模型。由于直接最大化价值函数，所提框架在观察性研究中不需要倾向得分的逆概率。这使我们区别于同样直接求解决策规则的结果加权学习框架。在同一框架下，我们进一步提出了一种伪直接学习方法，该方法更专注于估计治疗结果的降维子空间。两种方法的参数均可利用 Stiefel 流形上带正交约束的优化算法进行有效估计。在温和的正则性假设下，我们分别建立了所提估计量的渐近正态性结果。我们还推导了在估计的最优给药规则下价值函数的一致性与收敛速率。我们通过广泛的模拟研究和一个华法林药物遗传学数据集评估了所提方法的性能。
引用
@article{arxiv.1802.06156,
title = {A Parsimonious Personalized Dose Finding Model via Dimension Reduction},
author = {Wenzhuo Zhou and Ruoqing Zhu and Donglin Zeng},
journal= {arXiv preprint arXiv:1802.06156},
year = {2021}
}