利用估计的平移逆倾向得分学习个体化治疗规则
机器学习
2021-03-31 v1 机器学习
摘要
随机对照试验通常分析治疗的有效性，旨在为患者亚组提出治疗建议。随着电子健康记录的进步，临床实践中收集了种类繁多的数据，使得基于观察性数据评估治疗和治疗策略成为可能。本文聚焦于学习个体化治疗规则（ITRs），以推导出预期能为个体患者带来更好结局的治疗策略。在我们的框架中，我们将 ITRs 学习建模为一个上下文赌博机问题，并最小化治疗策略的期望风险。我们通过仿真研究以及基于真实世界数据集对所提出的框架进行了实验。在后一种情况下，我们应用所提出的方法来学习静脉输液（IV）和血管升压药（VP）给药的最优 ITRs。基于多种离线评估方法，我们能够证明，与医生和其他基线方法（包括简单的治疗预测方法）相比，我们框架中推导出的策略表现出更好的性能。作为长期目标，我们推导出的策略最终可能为 IV 和 VP 的给药带来更好的临床指南。
引用
@article{arxiv.2007.01083,
title = {Learning Individualized Treatment Rules with Estimated Translated Inverse Propensity Score},
author = {Zhiliang Wu and Yinchong Yang and Yunpu Ma and Yushan Liu and Rui Zhao and Michael Moor and Volker Tresp},
journal= {arXiv preprint arXiv:2007.01083},
year = {2021}
}