用于个性化剂量发现的核辅助学习

个体化剂量规则基于患者层面信息（如身体状况、遗传因素和用药史）在连续安全剂量范围内推荐一个剂量水平。传统上，个性化剂量发现过程需要患者反复临床就诊并频繁调整剂量。因此患者在此过程中持续暴露于剂量不足和过量的风险中。用于发现最优个体化剂量规则的统计方法可降低患者的成本与风险。在本文中，我们提出一种核辅助学习方法用于估计最优个体化剂量规则。所提方法也可应用于所有其他连续决策问题。该方法的优点包括对模型误设的鲁棒性，以及能够为估计参数提供统计推断。在模拟研究中，我们表明该方法能够识别最优个体化剂量规则，并在人群中产生良好的期望结局。最后，我们使用来自华法林血栓患者给药研究的数据说明了我们的方法。