面向多reatment学习的双鲁棒治疗融合

个体化治疗规则/recommendations (ITRs)旨在通过针对每个个体的特征来改善患者预后。然而，在存在众多治疗组时，现有方法因治疗组内的数据稀疏以及组间协变量分布高度不平衡而面临重大挑战。为解决这些挑战，我们提出了一种新颖的校准加权治疗融合程序，通过鲁棒地平衡治疗组间的协变量并利用惩罚性工作模型融合相似治疗。该融合程序确保在校准模型或结果模型中任一者正确指定时，能恢复潜在的治疗组结构。在融合后的治疗空间中，实践者可以无缝地应用最新的ITR学习方法，灵活地利用子集协变量，从而在解决公平性等实际问题的同时实现鲁棒性。我们给出理论保证，包括一致性、治疗融合的仪器属性以及与诸如政策树等多臂ITR学习方法集成后的后悔界。模拟研究表明，我们的方法在组恢复和政策价值方面优于现有方法。我们采用包含慢性淋巴细胞白血病和小淋巴细胞淋巴瘤患者数据的全国电子健康记录派生的去标识化数据库来说明我们方法的实际用途。