估计个体化治疗规则的残差加权学习

个性化医疗在统计学家、计算机科学家和临床医生中受到越来越多的关注。个性化医疗的一个主要组成部分是个体化治疗规则（ITRs）的估计。最近，Zhao等（2012）提出了结果加权学习（OWL）来构建直接优化临床结果的ITRs。尽管OWL为将机器学习技术引入最优治疗体制打开了大门，但其在性能上仍存在一些问题。本文中，我们提出一个称为残差加权学习（RWL）的通用框架，以改善有限样本性能。与OWL用临床结果对误分类错误进行加权不同，RWL利用排除治疗分配的临床协变量回归拟合的残差对这些错误进行加权。我们在RWL中利用了平滑斜坡损失函数，并提供了一种凸差（d.c.）算法来求解相应的非凸优化问题。通过用线性模型或广义线性模型估计残差，RWL能有效处理不同类型的结果，如连续、二值和计数结果。我们还分别提出了针对线性和非线性规则的变量选择方法，以进一步提升性能。我们证明了所得治疗规则估计量是一致的。我们进一步获得了使用估计ITR的期望结果与最优治疗规则期望结果之间差异的收敛速度。所提出的RWL方法的性能在模拟研究以及一项囊性纤维化临床试验数据分析中得到展示。