面向观察性研究中估计个体化治疗方案的降维结果加权学习

个体化治疗方案（ITR）旨在通过基于患者特定特征分配治疗来改善临床结果。然而，现有方法常面临高维协变量问题，限制了准确度、可解释性及实际应用。我们提出一种新颖的充分降维方法，直接针对潜在结果与的对比，识别捕获治疗效应异质性的低维子空间。这种降维表示使更准确地估计最优ITR成为可能。为适应观察性数据，我们的方法引入基于核的协变量平衡技术，使治疗分配可依赖于完整协变量集，避免治疗效应异质性所需的子空间也同时是混杂调整所需的子空间这一限制性假设。我们证明，所提方法在温和的正则性条件下实现普遍一致性，即其风险收敛于贝叶斯风险。我们通过模拟研究以及对重症监护室败血症患者数据的分析来展示其有限样本性能，用以确定哪些患者应接收经胸椎内超声心动图。