用于估计个性化动态治疗策略的稳健混合学习
统计方法学
2016-11-09 v1
摘要
动态治疗策略（DTRs）是序贯决策规则，在每个阶段根据潜在时变的患者特征和前一阶段观察到的中间结局进行定制。许多疾病和障碍的复杂性、患者异质性和慢性化要求学习最优DTRs，以随时间最佳地动态定制治疗以适应个体的反应。个性化数据（例如遗传和影像数据）的激增提供了深度定制化的机会，也给统计方法学带来了新挑战。本工作中，我们提出一种称为增强多阶段结局加权学习（AMOL）的稳健混合方法，整合结局加权学习和Q学习，从序贯多重分配随机化试验（SMARTs）中识别最优DTRs。我们将结局加权学习（O-learning; Zhao et al.~2012）推广以允许负结局；我们提出方法降低O-learning中权重的变异性，以实现数值稳定性和更高效率；最后，对于多阶段SMART研究，我们引入双重稳健增强到基于机器学习的O-learning中，通过在每个阶段从基于回归模型的Q学习抽取信息来提高效率。所提出的AMOL即使Q学习模型设定错误仍然有效。我们建立了AMOL的理论性质，包括估计规则的一致性和到最优值函数的收敛速率。AMOL相对于现有方法的比较优势在广泛的模拟研究以及两个SMART数据集的应用中得到证明：一项针对注意缺陷与多动障碍（ADHD）的两阶段试验和针对重性抑郁障碍（MDD）的STAR*D试验。
引用
@article{arxiv.1611.02314,
title = {Robust Hybrid Learning for Estimating Personalized Dynamic Treatment Regimens},
author = {Ying Liu and Yuanjia Wang and Michael R. Kosorok and Yingqi Zhao and Donglin Zeng},
journal= {arXiv preprint arXiv:1611.02314},
year = {2016}
}