面向动态治疗的阶段感知学习
机器学习
2024-10-18 v2 机器学习
摘要
动态治疗策略（DTRs）的最新进展促进了最优治疗的搜索，这些治疗针对个体的特定需求定制，并能够最大化其预期临床获益。然而，依赖一致轨迹的现有算法（如逆概率加权估计量（IPWEs））在最优治疗下以及决策阶段数量不断增加时，可能面临样本量不足的问题，尤其在慢性疾病背景下。为应对这些挑战，我们提出一种新颖的个体化学习方法，该方法在估计 DTR 时侧重于优先对齐观测治疗轨迹与最优策略在各决策阶段所得轨迹。通过放宽观测轨迹必须与最优治疗完全对齐的限制，我们的方法显著提升了基于 IPWE 方法的样本效率与稳定性。特别地，所提出的学习方案构建了一个更通用的框架，其将广受欢迎的结果加权学习框架作为我们的一个特例包含在内。此外，我们引入阶段重要性分数这一概念，并配合注意力机制，以显式刻画决策阶段间的异质性。我们建立了所提方法的理论性质，包括 Fisher 一致性与有限样本性能界。在实证上，我们在大量模拟环境及一项针对 COVID-19 大流行的真实案例研究中评估了所提方法。
引用
@article{arxiv.2310.19300,
title = {Stage-Aware Learning for Dynamic Treatments},
author = {Hanwen Ye and Wenzhuo Zhou and Ruoqing Zhu and Annie Qu},
journal= {arXiv preprint arXiv:2310.19300},
year = {2024}
}