基于线性Buckley-James方法的反事实Q学习在纵向生存数据中的应用
统计方法学
2025-08-18 v2 统计计算
摘要
在医疗保健领域，尤其是当结果受到 censoring 影响时，治疗策略至关重要。本研究引入了反事实Buckley-James Q学习框架，将Buckley-James方法与强化学习相结合，以解决censored生存数据所带来的挑战。Buckley-James方法通过基于观察数据中的条件期望来对censored生存时间进行插值，提供了一种处理不完整结果的稳健机制。通过将这些插值值纳入反事实Q学习框架，所提出的方法能够估计并比较不同治疗策略下的潜在结果，从而识别能够最大化预期生存时间的优化动态治疗方案。通过大量模拟研究，本方法在各种样本量和censoring情景（包括右censoring和随机缺失（MAR））下表现出稳健的性能。将方法应用于真实世界的临床试验数据进一步突显了其在为个性化治疗决策提供可解释且可靠工具方面的实用性，帮助优化复杂临床环境中的生存结果。
引用
@article{arxiv.2505.12159,
title = {Counterfactual Q Learning via the Linear Buckley James Method for Longitudinal Survival Data},
author = {Jeongjin Lee and Jong-Min Kim},
journal= {arXiv preprint arXiv:2505.12159},
year = {2025}
}
备注
Final Version; Accepted in Journal of the Royal Statistical Society Series A: Statistics in Society (2025)