具有信息性时序的序贯治疗决策的贝叶斯半参数模型
统计方法学
2023-12-12 v1 机器学习
应用统计
机器学习
摘要
我们开发了一个贝叶斯半参数模型，用于评估动态治疗规则对被诊断为小儿急性髓系白血病 (AML) 患者生存率的影响。数据由纳入 III 期 AAML1031 临床试验的患者子集组成，在这些试验中患者经历由四个疗程组成的序列。在每个疗程中，他们接受的治疗可能包含也可能不包含蒽环类药物 (ACT)。虽然已知 ACT 治疗 AML 有效，但它也具有心脏毒性，可能导致部分患者早期死亡。我们的任务是估计在假设的动态 ACT 治疗策略下的潜在生存概率，但存在几个障碍。首先，由于 ACT 在试验中未随机化，其对生存率的影响随时间产生混杂。其次，受试者何时开始下一疗程取决于他们从上一疗程恢复的时间，这使得时序可能对后续治疗和生存具有信息性。第三，患者可能在完成全部治疗序列之前死亡或退出。我们开发了一个基于 Gamma 过程先验的生成式贝叶斯半参数模型来解决这些复杂性。在每个治疗疗程中，该模型捕捉受试者在给定规则下于连续时间内向后续治疗或死亡的转移。使用 g-computation 程序计算经时变混杂调整的潜在生存概率的后验分布。利用这种方法，我们对根据不断演变的心脏功能动态调整 ACT 的假设治疗规则的有效性进行后验推断。
引用
@article{arxiv.2211.16393,
title = {Bayesian Semiparametric Model for Sequential Treatment Decisions with Informative Timing},
author = {Arman Oganisian and Kelly D. Getz and Todd A. Alonzo and Richard Aplenc and Jason A. Roy},
journal= {arXiv preprint arXiv:2211.16393},
year = {2023}
}