去偏后的温启动 Thompson 采样及其在精准医疗中的应用
机器学习
2025-05-26 v1 机器学习
最优化与控制
应用统计
摘要
随机临床试验往往需要大规模患者队列才能得出结论，而来自平行研究的丰富观察数据因混杂和隐藏偏误而未被充分利用。为弥合这一差距，我们提出去偏后的温启动 Thompson 采样方法（Deconfounded Warm-Start Thompson Sampling, DWTS），该方法利用双偏估计 LASSO（Doubly Debiased LASSO, DDL）程序识别出一组可靠测量协变量，随后将其与关键隐藏协变量结合形成简化后的上下文。通过对这些测量特征使用 DDL 估计得到的均值和方差初始化 Thompson 采样（LinTS）先验，而对隐藏特征保持非信息性先验，DWTS 能有效利用混杂观察数据为自适应临床试验提供启动点。我们在纯合成环境以及基于真实心血管风险数据构建的仿真环境中评估了 DWTS，结果表明其在累积遗憾上持续低于标准 LinTS，展示了如何从观察数据中获取因果信息以提高试验效率并支持更个性化的治疗决策。
关键词
引用
@article{arxiv.2505.17283,
title = {Deconfounded Warm-Start Thompson Sampling with Applications to Precision Medicine},
author = {Prateek Jaiswal and Esmaeil Keyvanshokooh and Junyu Cao},
journal= {arXiv preprint arXiv:2505.17283},
year = {2025}
}