最优动态治疗规则 SuperLearner：考量、性能与应用
应用统计
2021-10-27 v3
摘要
最优动态治疗规则（ODTR）框架提供了一种理解哪类患者对特定治疗反应最佳的方法——换言之，即治疗效应异质性。近来，估计 ODTR 的方法大量涌现。其中一种方法是将 SuperLearner 算法（一种在预测问题中广泛使用的、最优组合候选算法的集成方法）扩展至 ODTR。遵循“因果路线图”，我们从因果与统计上定义 ODTR，并介绍使用 ODTR SuperLearner 对其进行估计的方法。此外，我们强调了实现该算法时的实际选择，包括候选算法的选择、组合候选算法的元学习器，以及用于选择最佳算法组合的风险函数。通过模拟，我们说明了使用此 SuperLearner 方法估计 ODTR 比基于将结果对治疗、协变量及治疗-协变量交互项进行参数回归的传统方法更能有效揭示治疗效应异质性。我们研究了在不同样本量下实现 ODTR SuperLearner 时各项选择的影响。我们的结果表明以下做法的优势：（1）在候选算法库中同时包含灵活的机器学习算法与简单参数估计量；（2）使用集成元学习器组合候选算法，而非仅选择表现最佳的候选者；（3）使用规则下的平均结果作为风险函数。最后，我们将 ODTR SuperLearner 应用于“Interventions”研究——一项正在进行的随机对照试验，以识别哪些有司法涉入且患精神疾病的成年人在接受认知行为疗法（CBT）以减少刑事再犯方面获益最大。
引用
@article{arxiv.2101.12326,
title = {The Optimal Dynamic Treatment Rule SuperLearner: Considerations, Performance, and Application},
author = {Lina Montoya and Mark van der Laan and Alexander Luedtke and Jennifer Skeem and Jeremy Coyle and Maya Petersen},
journal= {arXiv preprint arXiv:2101.12326},
year = {2021}
}