基于符号一致性的个体化治疗规则的荟萃分析
机器学习
2022-12-15 v1 机器学习
统计方法学
摘要
根据患者基线特征量身定制的医疗方案有望改善患者预后，同时减少负面副作用。学习个体化治疗规则（ITRs）通常需要聚合多个数据集（中心）；然而，当前的 ITR 方法未考虑中心间的异质性，这可能会在部署回每个中心时损害模型的泛化能力。为了解决这个问题，我们开发了一种用于 ITR 的个体层面荟萃分析方法，该方法在联合学习特定中心的 ITR 的同时，通过一个具有科学动机的方向性原则来借用关于特征符号一致性的信息。我们还开发了一种自适应程序用于模型调优，使用为 ITR 学习问题量身定制的信息准则。我们通过数值实验研究了所提出的方法，以理解它们在不同程度的中心间异质性下的性能，并将该方法应用于一个大型多中心电子健康记录数据库以估计 ITR。这项工作将几种流行的 ITR 估计方法（A-learning、加权学习）扩展到了多中心设置。
引用
@article{arxiv.2211.15476,
title = {Meta-analysis of individualized treatment rules via sign-coherency},
author = {Jay Jojo Cheng and Jared D. Huling and Guanhua Chen},
journal= {arXiv preprint arXiv:2211.15476},
year = {2022}
}
备注
Machine Learning for Health (ML4H), 2022