基于生存时间结局的变换不变最优个体化决策规则学习
统计方法学
2022-04-11 v1
摘要
在精准医学的许多重要应用中，关注结局为至事件时间（如死亡、疾病复发），主要目标是确定最优个体化决策规则（IDR）以延长生存时间。该领域已有工作多聚焦于估计最优 IDR 以最大化人群中的受限平均生存时间。我们提出一种基于易解释的分位数准则、针对生存时间结局估计最优静态或动态 IDR 的鲁棒新框架。新方法无需指定结局回归模型，且对重尾分布具有鲁棒性。该估计问题对应一个非正则 M-估计问题，含有限与无限维 nuisance 参数。借助先进经验过程技术，我们建立了索引最优 IDR 的估计参数的统计理论。此外，我们证明了一个新结果：即使在最优 IDR 非唯一（发生于极具挑战的例外律设定）时，所提方法在温和条件下仍能一致估计最优值函数。我们还提出一种用于推断的平滑重采样过程。所提方法在 R 包 QTOCen 中实现。我们通过大量蒙特卡洛研究与真实数据应用展示了新方法的性能。
引用
@article{arxiv.2204.04052,
title = {Transformation-Invariant Learning of Optimal Individualized Decision Rules with Time-to-Event Outcomes},
author = {Yu Zhou and Lan Wang and Rui Song and Tuoyi Zhao},
journal= {arXiv preprint arXiv:2204.04052},
year = {2022}
}