面向慢性疾病的生物标志物引导最优治疗策略学习
应用统计
2023-05-24 v1
摘要
脑电图（EEG）提供脑活动的无创测量，并被发现对某些慢性疾病的诊断具有价值。具体而言，治疗前 alpha 与 theta 频带中的预处理 EEG 信号已显示出与抗抑郁反应存在一定关联，而后者以低反应率著称。我们旨在设计一个集成流程，通过开发由静息态治疗前 EEG 记录及其他治疗效果调节因子引导的个体化治疗策略，来提高重度抑郁症患者的反应率。我们首先设计了一种创新的自动站点特定 EEG 预处理流程，以提取比原始数据具有更强信号的特征。随后，我们使用因果森林估计条件平均处理效应，并采用双重稳健技术来提高平均处理效应估计的效率。我们给出了处理效应异质性以及 EEG 特征的调节能力，还有显著的平均处理效应的证据，这是常规方法无法获得的结果。最后，我们采用一种高效的策略学习算法来学习最优深度为 2 的治疗分配决策树，并通过模拟研究以及在一个大型多站点、双盲随机对照临床试验 EMBARC 上的应用，将其性能与 Q-Learning 和结果加权学习进行比较。
引用
@article{arxiv.2305.13852,
title = {Learning Optimal Biomarker-Guided Treatment Policy for Chronic Disorders},
author = {Bin Yang and Xingche Guo and Ji Meng Loh and Qinxia Wang and Yuanjia Wang},
journal= {arXiv preprint arXiv:2305.13852},
year = {2023}
}