面向多域结局整合以优化个体化治疗的表示学习
机器学习
2020-11-03 v1 机器学习
摘要
对于精神障碍，患者潜在的心理状态是不可观测的潜变量，必须从诊断症状和患者功能评分等多域观测指标中推断。此外，为实现精准医疗，需解决患者间疾病诊断的显著异质性以优化个体化治疗策略。为应对这些挑战，我们提出一种集成学习框架，可同时学习患者潜在心理状态并为每个个体推荐最优治疗。该学习框架基于精神科测量理论，将多种疾病诊断指标建模为源于潜在原因（真实心理状态）的结果。它允许纳入多变量治疗前与治疗后结局以及生物学指标，同时保持表征患者潜心理状态的不变结构。采用多层神经网络以刻画复杂的治疗效应异质性。给定观测到的多域治疗前指标，通过比较未来患者在不同治疗下的潜在心理状态，可推断其最优治疗策略。在模拟数据与真实世界临床试验数据上的实验表明，所学治疗策略在异质治疗效应上优于替代方法，并具有广泛效用，可改善患者在多域上的结局。
引用
@article{arxiv.2011.00094,
title = {Representation Learning for Integrating Multi-domain Outcomes to Optimize Individualized Treatments},
author = {Yuan Chen and Donglin Zeng and Tianchen Xu and Yuanjia Wang},
journal= {arXiv preprint arXiv:2011.00094},
year = {2020}
}