用于估计删失结果下动态治疗方案的删失感知树强化学习
机器学习
2025-03-11 v1 人工智能
统计方法学
摘要
动态治疗方案（DTR）提供了一种系统方法，用于做出适应个体患者特征的序贯治疗决策，特别是在关注生存结果的临床环境中。删失感知树强化学习（CA-TRL）是一个新颖的框架，旨在解决估计最优 DTR 时与删失数据相关的复杂性。我们探索了从观测数据中学习有效 DTR 的方法。通过利用增强逆概率加权（AIPW）和删失感知修改来增强传统的树强化学习方法，CA-TRL 提供了稳健且可解释的治疗策略。我们通过大量模拟和使用 SANAD 癫痫数据集的实际应用证明了其有效性，在受限平均生存时间（RMST）和决策准确性等关键指标上，它优于最近提出的 ASCL 方法。这项工作推动了在多样化医疗环境中推进个性化和数据驱动治疗策略的发展。
引用
@article{arxiv.2503.06690,
title = {Censoring-Aware Tree-Based Reinforcement Learning for Estimating Dynamic Treatment Regimes with Censored Outcomes},
author = {Animesh Kumar Paul and Russell Greiner},
journal= {arXiv preprint arXiv:2503.06690},
year = {2025}
}