针对事件时间结局的最优个体化治疗规则的靶向学习集成
统计方法学
2017-11-09 v2
摘要
我们考虑在可获得高维基线变量向量时，从观察性和随机化研究中估计最优个体化治疗规则。我们的优化准则涉及延迟感兴趣事件（例如死亡或癌症复发）的预期发生时间。我们利用半参数有效性理论来构造具有诸如双重稳健性等良好性质的估计量。我们提出了最优规则的两种估计量，它们源于考虑两种损失函数：(i) 直接估计条件治疗效应（也称为 blip 函数），以及 (ii) 将问题重新表述为使用 0-1 损失函数的加权分类问题。我们估计的规则是超级学习集成，其最小化用户提供的候选估计量库中线性组合的交叉验证风险。我们证明了界定估计量有限样本超额风险的 Oracle 不等式。这些边界依赖于 Oracle 选择器的超额风险以及与冗余参数估计相关的双重稳健项。我们讨论了这些 Oracle 不等式的一些重要含义，例如我们的估计量的值收敛到 Oracle 选择器值的速率。我们在一项测试乳腺癌新疗法疗效的 III 期随机研究分析中说明了我们的方法。
引用
@article{arxiv.1702.04682,
title = {Targeted Learning Ensembles for Optimal Individualized Treatment Rules with Time-to-Event Outcomes},
author = {Iván Díaz and Oleksandr Savenkov and Karla Ballman},
journal= {arXiv preprint arXiv:1702.04682},
year = {2017}
}