基于鲁棒回归引导K近邻的最优个性化治疗规则学习
机器学习
2018-12-06 v3 机器学习
摘要
我们开发了一种基于预测的处方模型，用于根据患者的电子健康记录（EHRs）学习最优个性化治疗。我们的方法包括：（i）使用鲁棒化的非线性模型预测每种可能疗法下的未来结果；（ii）采用由预测结果决定的随机化处方策略。我们给出了理论结果，保证了模型的样本外预测能力，并证明了该随机化策略在期望真实未来结果意义上的最优性。我们将所提方法应用于利用新英格兰一家大型安全网医院的EHRs为2型糖尿病或高血压患者制定最优疗法，结果表明，与替代方案相比，我们的算法使糖尿病患者的HbA1c或高血压患者的收缩压降幅更大。我们证明了在鲁棒化非线性预测模型下，我们的方法优于标准治疗。
引用
@article{arxiv.1811.06083,
title = {Learning Optimal Personalized Treatment Rules Using Robust Regression Informed K-NN},
author = {Ruidi Chen and Ioannis Paschalidis},
journal= {arXiv preprint arXiv:1811.06083},
year = {2018}
}
备注
Machine Learning for Health (ML4H) Workshop at NeurIPS 2018 arXiv:1811.07216