近最优的个体化治疗推荐
机器学习
2020-04-07 v1 机器学习
摘要
个体化治疗推荐 (ITR) 是精准医疗的重要分析框架。其目标是根据患者的个体特征为其分配适当的治疗方案。从机器学习的角度来看，ITR 问题的解可以表述为一个加权分类问题，以最大化患者从推荐治疗中获得的平均收益。针对二分类和多分类治疗设置，已有多种 ITR 方法被提出。在实践中，人们可能更倾向于具有多种治疗选项的更灵活的推荐。这促使我们开发方法以获取一组彼此可替代的近最优个体化治疗推荐，称为替代个体化治疗推荐 (A-ITR)。我们在结果加权学习 (OWL) 框架内提出了两种方法来估计最优 A-ITR。我们证明了这些方法的一致性，并获得了理论最优推荐与估计推荐之间风险的上界。我们还进行了仿真研究，并将我们的方法应用于一个接受注射型抗糖尿病治疗的 2 型糖尿病患者的真实数据集。这些数值研究表明了所提出的 A-ITR 框架的有效性。我们开发了一个 R 包 aitr，可在 https://github.com/menghaomiao/aitr 找到。
引用
@article{arxiv.2004.02772,
title = {Near-optimal Individualized Treatment Recommendations},
author = {Haomiao Meng and Ying-Qi Zhao and Haoda Fu and Xingye Qiao},
journal= {arXiv preprint arXiv:2004.02772},
year = {2020}
}