用于肿瘤学中模型知情精准给药的强化学习与贝叶斯数据同化
机器学习
2020-06-02 v1 机器学习
定量方法
应用统计
摘要
利用治疗药物/生物标志物监测的模型知情精准给药（MIPD）为显著提升药物治疗的疗效与安全性提供了机会。当前策略包括模型知情给药表或基于最大后验估计。然而，这些方法缺乏不确定性量化和/或仅考虑了部分可用的患者特定信息。我们提出了三种用于 MIPD 的新方法，采用贝叶斯数据同化（DA）和/或强化学习（RL）来控制中性粒细胞减少症——抗癌化疗中的主要剂量限制性副作用。与现有方法相比，这些方法有潜力大幅降低危及生命的中性粒细胞减少症 4 级及亚治疗 0 级的发生频率。我们进一步表明，RL 可通过识别驱动给药决策的患者因素来获得更深入的见解。由于其灵活性，所提出的 DA-RL 结合方法可轻易扩展以整合多个终点或患者报告结局，从而为未来个性化治疗带来重要益处。
引用
@article{arxiv.2006.01061,
title = {Reinforcement learning and Bayesian data assimilation for model-informed precision dosing in oncology},
author = {Corinna Maier and Niklas Hartung and Charlotte Kloft and Wilhelm Huisinga and Jana de Wiljes},
journal= {arXiv preprint arXiv:2006.01061},
year = {2020}
}