效应异质性下个体化治疗规则惩罚回归中的不情愿迁移学习
统计方法学
2026-05-15 v2
摘要
估计个体化治疗规则(ITRs)是精准医学的基础，其目标是根据患者的个体特征制定治疗决策。尽管已有许多用于 ITR 估计的方法，但在 ITR 场景下考虑治疗-协变量关系发生偏移的模型更新研究仍然有限。在实际应用中，基于源数据训练的模型必须针对治疗效应发生偏移的新(目标)数据集进行更新。为应对这一挑战，我们提出了一种不情愿迁移学习(RTL)框架，该框架通过从源数据向目标数据选择性迁移关键模型组件(如回归系数)来实现高效的模型自适应，且无需访问个体级别的源数据。利用不情愿建模原则，RTL 方法仅在模型调整能提升目标数据集上的性能时才将其纳入，从而控制了复杂度并增强了泛化能力。该方法支持多臂治疗场景，可进行变量选择以提高可解释性，并提供了最优 ITR 与估计 ITR 的价值差值的遗憾界。通过模拟研究以及 Best Apnea Interventions for Research (BestAIR) 试验的真实数据应用，我们证明了 RTL 优于现有替代方法。所提出的框架为治疗效应条件不断演变下的自适应治疗决策提供了一种高效且切实可行的途径。
引用
@article{arxiv.2511.08559,
title = {Reluctant Transfer Learning in Penalized Regressions for Individualized Treatment Rules under Effect Heterogeneity},
author = {Eun Jeong Oh and Min Qian},
journal= {arXiv preprint arXiv:2511.08559},
year = {2026}
}