用于可解释非线性个体化治疗规则的审慎加性模型框架
统计方法学
2023-11-06 v1 应用统计
摘要
用于治疗方案推荐的个体化治疗规则（ITRs）是精准医学的重要课题，因为并非所有有益治疗都对所有人同样有效。可解释性是ITRs的理想性质，有助于从业者理解治疗决策，然而ITRs需要足够灵活以有效建模复杂的生物医学数据用于决策。许多ITR方法要么关注线性ITR，当真实最优ITR为非线性时表现可能较差，要么关注黑盒非线性ITR，可能难以解释且过于复杂。这一困境表明治疗决策的可解释性与准确性之间存在张力。在此我们提出一种基于加性模型的非线性ITR学习方法，以平衡ITR的可解释性与灵活性。我们的方法通过允许最终ITR中同时包含协变量的线性项与非线性项来达成平衡。我们的方法是简约的，仅当非线性项显著提升ITR性能时才将其纳入最终ITR。为防止过拟合，我们结合交叉拟合与专用信息准则进行模型选择。通过大量模拟，我们表明我们的方法对非线性程度具有数据自适应性，并能有利地平衡ITR可解释性与灵活性。我们进一步通过对一项癌症药物敏感性研究的应用展示了方法的稳健性能。
引用
@article{arxiv.2311.01538,
title = {A reluctant additive model framework for interpretable nonlinear individualized treatment rules},
author = {Jacob M. Maronge and Jared D. Huling and Guanhua Chen},
journal= {arXiv preprint arXiv:2311.01538},
year = {2023}
}