用于估计具有有序结果的动态最优治疗方案的贝叶斯机器学习
统计方法学
2025-03-11 v1
摘要
动态治疗方案（DTRs）是旨在根据患者的治疗历史和不断变化的疾病状态量身定制治疗的决策规则序列。有序结果在临床试验和观察性研究中常作为主要终点。然而，针对有序结果构建最优 DTRs 的研究尚不充分。本文引入了一个贝叶斯机器学习（BML）框架来处理 DTR 背景下的有序结果。为了处理结果与预测变量之间潜在的非线性关联，我们首先引入了有序贝叶斯加性回归树（OBART），这是一种将潜变量框架整合到传统贝叶斯加性回归树（BART）中的新模型。然后，我们将 OBART 纳入 BML 中，以基于有序数据估计最优 DTRs 并量化相关的不确定性。我们进行了广泛的模拟研究，以评估所提方法相对于现有方法的性能。我们使用来自一项戒烟试验的数据展示了所提方法的应用，并提供了 OBART R 包及用于实现的 R 代码。
引用
@article{arxiv.2503.06199,
title = {Bayesian Machine Learning for Estimating Optimal Dynamic Treatment Regimes with Ordinal Outcomes},
author = {Xinru Wang and Tanujit Chakraborty and Bibhas Chakraborty},
journal= {arXiv preprint arXiv:2503.06199},
year = {2025}
}