利用医学中的因果树方法学习最优动态治疗方案
机器学习
2023-06-21 v2 机器学习
应用统计
统计方法学
摘要
动态治疗方案（DTRs）在医学中用于通过考虑患者异质性来量身定制序贯治疗决策。然而，学习最优DTR的常用方法存在缺陷：它们通常基于结果预测而非治疗效果估计，或者使用对来自现代电子健康记录的患者数据具有限制性的线性模型。为解决这些缺陷，我们开发了两种有效处理复杂患者数据的学习最优DTR的新方法。我们将这些方法称为DTR-CT和DTR-CF。我们的方法基于使用因果树方法（具体为因果树和因果森林）对异质性治疗效果进行数据驱动估计，这些方法能够学习非线性关系、控制时变混杂、具有双重鲁棒性且可解释。据我们所知，我们的论文是首个将因果树方法用于学习最优DTR的论文。我们使用合成数据评估了所提方法，并将其应用于来自重症监护室的真实世界数据。我们的方法在累积后悔和最优决策百分比方面以显著优势优于最先进的基线。我们的工作改进了来自电子健康记录的治疗推荐，因此与个性化医疗直接相关。
引用
@article{arxiv.2204.07124,
title = {Learning Optimal Dynamic Treatment Regimes Using Causal Tree Methods in Medicine},
author = {Theresa Blümlein and Joel Persson and Stefan Feuerriegel},
journal= {arXiv preprint arXiv:2204.07124},
year = {2023}
}
备注
24 pages, 4 figures