面向剂量探索临床试验的上下文约束学习
机器学习
2020-02-25 v2 机器学习
摘要
医疗领域的临床试验受预算约束。因此可招募的患者数量有限。当患者群体异质时，这给学习特定亚组对特定药物尤其是多种剂量的反应带来困难。此外，临床试验并非旨在为试验中任何给定患者提供获益，这一事实也使得患者招募颇为困难。本文中，我们提出C3T-Budget，一种在预算与安全双重约束下进行剂量探索的上下文约束临床试验算法。该算法旨在最大化临床试验中的药物疗效，同时了解所测试药物的信息。C3T-Budget在招募患者时考量剩余预算、剩余时间以及各组的特征，如群体分布、估计期望疗效与估计可信度。此外，该算法旨在避免不安全剂量。这些特征在一个模拟临床试验研究中得到进一步阐明，该研究佐证了理论分析，并展示了高效的预算使用以及均衡的学习–治疗权衡。
引用
@article{arxiv.2001.02463,
title = {Contextual Constrained Learning for Dose-Finding Clinical Trials},
author = {Hyun-Suk Lee and Cong Shen and James Jordon and Mihaela van der Schaar},
journal= {arXiv preprint arXiv:2001.02463},
year = {2020}
}
备注
18 pages, 5 figures, in Proceedings of the 23rd International Conference on Artificial Intelligence and Statistics (AISTATS) 2020, Palermo, Italy