用于最优治疗策略的增广结果加权学习
统计方法学
2017-11-30 v1
摘要
精准医疗在临床、学术和监管各方都备受关注。精准医疗的核心是最优治疗策略。最近，Zhou 等人 (2017) 提出了残差加权学习 (RWL) 来构建直接优化临床结果的最优策略。然而，该方法涉及计算密集的非凸优化，无法保证全局解。此外，该方法不具备完全的半参数效率。本文中，我们提出增广结果加权学习 (AOL)。该方法建立在双重稳健的增广逆概率加权估计量之上，从而构建半参数有效策略。我们提出的 AOL 与 RWL 密切相关。权重由反事实残差获得，其中负残差被反射为正，相应地其治疗分配被切换为相反。因此应用凸损失函数以保证全局解并减少计算量。我们证明 AOL 是一致通用的，即在不了解数据分布任何细节的情况下，当样本量趋于无穷时 AOL 的估计策略收敛于贝叶斯策略。我们还分别针对线性和非线性策略提出变量选择方法，以进一步提升性能。所提 AOL 方法的性能在模拟研究以及 Nefazodone-CBASP 临床试验数据分析中得到展示。
引用
@article{arxiv.1711.10654,
title = {Augmented Outcome-weighted Learning for Optimal Treatment Regimes},
author = {Xin Zhou and Michael R. Kosorok},
journal= {arXiv preprint arXiv:1711.10654},
year = {2017}
}