基于角度的多类别学习方法用于估计删失数据下的最优动态治疗策略
统计方法学
2020-01-15 v1 机器学习
摘要
最优动态治疗策略(DTR)由一系列决策规则组成，旨在最大化长期获益，适用于HIV感染或癌症等慢性疾病。本文提出一种新颖的基于角度的方法，在生存数据的多类别治疗框架下搜索最优DTR。所提方法以遵循某DTR的患者的条件生存函数最大化为目标。与大多数现有方法在二分类治疗框架下设计以最大化期望生存时间不同，所提方法针对删失数据在多个阶段下求解多类别治疗问题。具体而言，该方法通过将多个阶段的决策规则估计整合为单一多类别分类算法来获得最优DTR，且不施加额外约束，同时在计算上更高效且更稳健。在理论上，我们在正则条件下建立了所提方法的Fisher一致性。数值研究表明，所提方法在最大化条件生存函数方面优于对比方法。我们将所提方法应用于两个真实数据集：Framingham心脏研究数据和获得性免疫缺陷综合征(AIDS)临床数据。
引用
@article{arxiv.2001.04629,
title = {Multicategory Angle-based Learning for Estimating Optimal Dynamic Treatment Regimes with Censored Data},
author = {Fei Xue and Yanqing Zhang and Wenzhuo Zhou and Haoda Fu and Annie Qu},
journal= {arXiv preprint arXiv:2001.04629},
year = {2020}
}
备注
35 pages, 11 figures, 6 tables