用于高效估计个体化治疗规则的稳定直接学习
统计方法学
2021-12-09 v1
摘要
近年来，精准医疗领域取得了许多进展。大量关注点被放在创建算法以估计个体化治疗规则（ITR）上，该规则将患者协变量映射到可用治疗空间，目标是最大化患者结局。直接学习（D-Learning）是一种近期的一步法，通过直接建模治疗-协变量交互来估计 ITR。然而，当结局的方差在治疗和协变量方面存在异质性时，D-Learning 并未利用这一结构。本文提出的稳定直接学习（SD-Learning）通过残差重加权利用误差项中潜在的异方差性，该重加权通过灵活的机器学习算法（如 XGBoost 和随机森林）对残差方差进行建模。我们还开发了一种内部交叉验证方案，用于在竞争模型中确定最佳残差模型。SD-Learning 提高了二分类和多臂治疗场景下 D-Learning 估计的效率。该方法易于实现，是改进 D-Learning 家族中现有算法（包括原始 D-Learning、基于角度的 D-Learning（AD-Learning）和鲁棒 D-Learning（RD-Learning））的一种简便方法。我们提供了 SD-Learning 最优性的理论性质和证明。通过模拟实验，我们展示了与 D-Learning 方法的头对头性能比较，结果表明在平均预测误差（APE）、误分类率和经验值方面均有改进，同时还包括对一项艾滋病随机临床试验的数据分析。
引用
@article{arxiv.2112.03981,
title = {Stabilized Direct Learning for Efficient Estimation of Individualized Treatment Rules},
author = {Kushal S. Shah and Haoda Fu and Michael R. Kosorok},
journal= {arXiv preprint arXiv:2112.03981},
year = {2021}
}