用于 recurrent 疾病的最优个体化治疗方案估计中的 C-learning
统计方法学
2025-02-18 v1
摘要
Recurrent 事件以同一事件在个体中反复发生为特征，是医学研究中常见的数据类型。以癌症复发为动机，我们旨在估计能有效缓解此类 recurrent 事件的最优个体化治疗方案（ITR）。ITR 是一种决策规则，根据患者的个人化信息分配最佳治疗方案，以实现整体治疗效益的最大化。然而，现有的 ITR 估计研究主要关注首次事件，而非 recurrent 事件。为解决确定 recurrent 事件最优 ITR 的问题，我们提出了 Recurrent C-learning（ReCL）方法，从两个或多个治疗选项中识别最优 ITR。该方法将优化问题改述为加权分类问题。我们引入三种估计器用于误分类成本：结果回归估计器、逆概率加权估计器和增强逆概率加权估计器。ReCL 方法利用分类技术生成针对 recurrent 事件数据的可解释的最优 ITR。通过各种情景下的模拟实验展示了 ReCL 方法的优势。此外，基于结直肠癌治疗的真实数据，我们采用该新方法推导出结直肠癌的可解释树形治疗方案，从而为提高治疗策略提供了实际框架。
引用
@article{arxiv.2502.10658,
title = {C-learning in estimation of optimal individualized treatment regimes for recurrent disease},
author = {Zi-Shu Zhan and Jin-Lun Zhang and Chen Shi and Xiao-Han Xu and Chun-Quan Ou},
journal= {arXiv preprint arXiv:2502.10658},
year = {2025}
}
备注
22 pages, 4 figures