连续时间下的个性化动态治疗策略：一种优化含时机的临床决策的贝叶斯方法
统计方法学
2021-02-19 v3
摘要
在临床/健康研究中，精确刻画临床行为及其对疾病进展的影响的模型，对于估计个性化最优动态治疗策略（DTR）至关重要，尤其在慢性病管理中。传统的 DTR 统计方法通常侧重于估计每次给定医疗干预时的最优治疗或剂量，却忽视了“该干预应于何时进行”这一重要问题。我们提出一种两步贝叶斯方法来优化含时机的临床决策，以填补此空白。第一步，我们为连续时间中的离散事件——一系列医疗干预——建立生成模型，采用标记时间点火过程（MTPP），其中标记即为所分配的治疗或剂量。随后将该临床行为模型嵌入贝叶斯联合框架，其中其他组件对包括纵向医学测量和与时间相关事件数据（以治疗史为条件）的临床观测进行建模。第二步，我们提出一种策略梯度方法，通过将 MTPP 与临床观测模型交互，并考虑第一步贝叶斯联合模型后验推断所习得的临床观测不确定性，来学习最大化患者存活的个性化最优临床决策。所提方法的一个标志性应用是为肾移植后患者安排随访就诊并在每次就诊时分配剂量。我们在模拟与真实数据集上对比其他方法评估了我们的方法。实验中，所提方法给出的个性化决策具有临床实用性：可解释且成功助力改善患者存活。
引用
@article{arxiv.2007.04155,
title = {Personalized Dynamic Treatment Regimes in Continuous Time: A Bayesian Approach for Optimizing Clinical Decisions with Timing},
author = {William Hua and Hongyuan Mei and Sarah Zohar and Magali Giral and Yanxun Xu},
journal= {arXiv preprint arXiv:2007.04155},
year = {2021}
}