用于估计连续治疗剂量下全局最优动态治疗决策规则的非贪婪树学习
统计方法学
2023-02-20 v2
摘要
动态治疗策略（DTR）在精准医学中扮演着关键角色，用于在多个阶段分配患者特定治疗并优化长期临床结果。然而，现有关于DTR的大多数工作都集中在分类治疗场景上，而不是连续治疗选项。此外，常规黑箱机器学习方法和常规树学习方法的性能分别缺乏可解释性和全局最优性。在本文中，我们提出了一种用于剂量搜索的非贪婪全局优化方法，即全局最优剂量树学习方法（GoDoTree），它结合了反事实结果均值的稳健估计和可解释的非贪婪决策树，用于在多阶段设置中估计全局最优动态剂量治疗策略。GoDoTree-Learning在每个阶段使用双重稳健估计器递归估计反事实结果均值如何依赖于连续治疗剂量，并以非贪婪方式优化阶段特定的决策树。我们进行了模拟研究以评估所提出方法的有限样本性能，并将其应用于实际数据应用以寻找最佳华法林剂量。
引用
@article{arxiv.2302.02015,
title = {Non-greedy Tree-based Learning for Estimating Global Optimal Dynamic Treatment Decision Rules with Continuous Treatment Dosage},
author = {Chang Wang and Lu Wang},
journal= {arXiv preprint arXiv:2302.02015},
year = {2023}
}