Doubly Robust Estimation of Continuous Outcomes under Multiple Treatment Levels via GPS, CBPS, and Penalized Empirical Likelihood
Department of Mathematics and Physics, Gangneung-Wonju National University(江陵原州国立大学数学物理系);Department of Data Science, Gangneung-Wonju National University(江陵原州国立大学数据科学系)
本文提出将GPS、CBPS与结果回归纳入惩罚经验似然框架,实现多处理水平下连续结果的双重稳健估计与变量选择,并通过模拟和与元学习器比较验证其有效性。
2025-09-19 stat.ME
A Unified Model for Differential Expression Analysis of RNA-seq Data via L1-Penalized Linear Regression
RNA测序(RNA-seq)在定量基因表达水平方面越来越受欢迎。由于RNA-seq测量本质上是相对的,因此计数的样本间标准化是差异表达(DE)分析中的重要步骤。现有DE检测算法的标准化是特别的,并且在DE检测之前执行一次,这可能是次优的,因为理想的标准化应该仅基于非DE基因,因此与DE检测相结合。我们提出了一个统一的统计模型联合归一化和DE检测的对数转换RNA-seq数据。样本特异性归一化因子在基因线性模型中建模为未知参数,并与回归系数联合估计。通过施加稀疏诱导L1惩罚(或多种处理条件下的混合L1/L2范数)对回归系数的影响,仿真结果表明,所提出的模型和算法在检测能力和误检率方面均优于现有的方法,并且在检测性能和误检率方面均优于现有的方法。当超过一半的基因差异表达和/或当DE基因中上调和下调基因的数量不平衡时,阳性率。
2016-10-11 q-bio.GN stat.ME
Learning non-monotone optimal individualized treatment regimes
我们提出了一种新的建模和估计方法,通过构建一个强大的估计方程,从不同的选项中选择最佳的治疗方案。该方法避免了倾向得分模型、非治疗组结局回归模型或潜在非单调治疗差异模型的错误设定。我们的方法还允许残差依赖于协变量。纳入了单一指标结构,以便于对治疗差异进行非参数估计。然后,我们通过最大化值函数来确定最佳处理。治疗分配策略的理论属性的建立。我们说明了我们提出的估计通过广泛的模拟研究和一个真实的数据集的母亲吸烟对婴儿出生体重的影响的性能和有效性。
2021-09-24 stat.ME
Inference for Optimal Linear Treatment Regimes in Personalized Decision-making
针对个性化决策中最优线性治疗方案,本文研究其估计量的渐近分布,发现立方根收敛于非正态极限,并提出有效自助法进行推断,经模拟和eICU数据验证。
2024-05-25 stat.ME
A penalized online sequential test of heterogeneous treatment effects for generalized linear models
提出惩罚在线序贯检验(POST)方法,在广义线性模型中同时识别异质性处理效应并选择协变量,实现高检测功效与错误率控制。
2024-09-24 stat.ME
Asymptotic Results for Penalized Quasi-Likelihood Estimation in Generalized Linear Mixed Models
本文在聚类数量和规模均趋于无穷的条件下,建立了广义线性混合模型中惩罚拟似然估计的渐近理论,揭示了条件与无条件两种机制下固定效应和随机效应估计量的不同渐近分布性质。
2024-05-02 math.ST stat.TH
Reluctant Transfer Learning in Penalized Regressions for Individualized Treatment Rules under Effect Heterogeneity
Northwell(北卫医疗);Columbia University(哥伦比亚大学)
本文提出一种抗拒迁移学习框架,通过选择性迁移模型组件提升个性化治疗规则估计的适应性与泛化能力,同时支持多臂治疗和变量选择。
2026-05-13 stat.ME
Resampling-based Confidence Intervals for Model-free Robust Inference on Optimal Treatment Regimes
我们提出了一个新的程序,在无模型设置,不需要指定一个结果回归模型的最佳治疗方案的推理。现有的无模型估计的最佳治疗方案通常不适合推理的目的,因为他们要么有非标准的渐近分布或不一定保证一致的估计参数索引贝叶斯规则由于使用替代损失。我们首先研究一种平滑的鲁棒估计器,该估计器直接针对与最佳治疗方案估计的贝叶斯决策规则对应的参数。证明了该估计量服从渐近正态分布。此外,我们验证了一个restaurant程序提供了渐近准确的推断参数索引的最佳治疗方案和最佳值函数。一种新的算法被开发来计算所提出的估计器,大大提高了速度和稳定性。数值结果表明,令人满意的性能的新方法。
2020-07-03 stat.ME stat.ML
Penalized Poisson model for network meta-analysis of individual patient time-to-event data
网络荟萃分析(NMA)允许将来自一组随机临床试验的直接和间接证据相结合。使用个体患者数据(IPD)执行NMA被认为是“金标准”方法,因为它提供了基于汇总数据的NMA的几个优势。例如,它允许执行协变量或协变量-治疗相互作用的高级建模。IPD NMA中的一个重要问题是在解释不一致性、协变量、协变量与治疗相互作用或治疗对至事件发生时间数据的影响不成比例的术语中选择有影响的参数。该问题尚未在文献中进行深入研究,特别是未针对至事件发生时间数据进行研究。一个主要的困难是共同考虑试验间异质性,这可能对选择过程产生重大影响。惩罚广义混合效应模型的使用是一种解决方案,但现有的实现方式有几个缺点和一个重要的计算成本,排除了它们用于复杂的IPD NMA。在这篇文章中,我们提出了一个惩罚泊松回归模型来执行时间到事件数据的IPD NMA。它仅基于固定效应参数,这比使用随机效应提高了其计算成本。它可以很容易地实现使用现有的惩罚回归包。计算机代码共享以供执行。这些方法应用于模拟数据,以说明在选择过程中考虑试验异质性的重要性。最后,将其应用于鼻咽癌放化疗总生存期的IPD NMA。
2021-10-19 stat.ME
Statistical Inference in Dynamic Treatment Regimes
动态治疗方案在临床科学中越来越受到关注,因为这些方案提供了一种操作化的方式,从而为连续的个性化临床决策提供信息。动态治疗方案是一系列决策规则,每个临床干预阶段都有一个决策规则;每个决策规则将最新的患者信息映射到推荐的治疗。我们简要回顾了各种方法使用数据来构建决策规则。然后,我们回顾一个有趣的挑战,即在这一领域经常出现的不规则性。通过非规则性,我们意味着索引最佳动态治疗方案的参数是底层生成分布的非光滑泛函。一个后果是,没有规则或渐近无偏估计量这些参数存在。非正则性出现在推断参数的最佳动态治疗制度,我们说明了非正则性的影响,渐近偏差和通过灵敏度的渐近,限制,分布局部扰动。我们提出并评估了一个局部一致的自适应置信区间(ACI)的最佳动态治疗方案的参数。我们使用ADHD儿童适应性干预研究的数据作为说明性例子。最后,我们强调和讨论在这一领域出现的理论问题。
2013-11-26 stat.ME stat.ML stat.OT
Doubly robust causal inference through penalized bias-reduced estimation: combining non-probability samples with designed surveys
针对非概率样本因果推断中的选择偏差与高维协变量挑战,提出一步插入式双重稳健估计量,通过最小化平方渐近偏差构建惩罚估计方程,实现高维环境下的有效推断并验证了双重稳健性。
2024-03-26 stat.ME
On Prediction and Tolerance Intervals for Dynamic Treatment Regimes
我们开发和评估动态治疗方案(DTR)的容许区间方法,可以提供更详细的预后信息,患者将遵循估计的最佳方案。虽然构造DTR的置信区间的问题已经得到了广泛的研究,预测和容许区间很少受到关注。我们首先详细回顾了不同的区间估计和预测方法,然后将它们适应DTR设置。我们说明了一些与容差区间估计相关的挑战,这些挑战源于这样一个事实,即我们通常没有从估计的最佳状态生成的数据。我们给出了一个广泛的实证评估的方法,并讨论了方法选择的几个实际方面,我们提出了一个例子应用程序使用的数据从临床试验。最后,我们讨论了未来的发展方向在这个重要的新兴领域的DTR研究。
2017-04-24 stat.ME stat.ML
Constructing a T-test for Value Function Comparison of Individualized Treatment Regimes in the Presence of Multiple Imputation for Missing Data
针对缺失数据下个体化治疗方案价值函数的比较难题,提出一种基于t检验的方法,在测试集上生成有效p值,并通过模拟研究及中国健康与营养调查数据验证其性能。
2025-04-19 stat.AP stat.ME
Penalized G-estimation for effect modifier selection in a structural nested mean model for repeated outcomes
针对重复结局的结构嵌套均值模型中效应修饰因子未知的问题,提出兼具效应估计与因子选择功能的双稳健惩罚G估计量,证明其神谕性质,经模拟验证性能后应用于透析治疗异质性研究。
2025-01-19 stat.ME
Semi-supervised Concordance Learning for Optimal Individual Treatment Regimes
Key Laboratory of Advanced Theory Application in Statistics Data Science Affiliation: MOE, School of Statistics, East China Normal University(教育部统计数据科学高级理论应用重点实验室,华东师范大学统计学院);Department of Statistics, North Carolina State University(北卡罗来纳州立大学统计系)
针对半监督数据框架下最优个体化治疗方案估计问题,提出结合单索引核平滑插补与一致性辅助学习的半参数推断方法,经模拟及MIMIC-III、ACTG175数据集验证,其效率与鲁棒性优于全监督方法。
2026-08-17 cs.NA math.NA stat.ME
Two-Stage Penalized Regression Screening to Detect Biomarker-Treatment Interactions in Randomized Clinical Trials
University of Cambridge(剑桥大学);Newcastle University(纽卡斯尔大学)
在随机临床试验中,越来越多地测量基因组学等高维生物标志物。因此,人们对开发提高检测生物标志物-治疗相互作用的能力的方法越来越感兴趣。我们适应最近提出的两阶段的相互作用检测程序在随机临床试验的设置。我们还提出了一个新的阶段1多变量筛选策略,使用岭回归来解释生物标志物之间的相关性。对于这个多变量筛选,我们证明了渐进的阶段间的独立性,所需的家庭明智的错误率控制,生物标记治疗的独立性。模拟结果表明,在各种情况下,岭回归筛选程序可以提供比传统的一次一个生物标志物的筛选程序在高度相关的数据显著更大的功率。我们还在两个实际的临床试验数据应用中验证了我们的方法。
2021-04-28 cs.LG q-bio.QM stat.ME
Nonparametric estimation of a covariate-adjusted counterfactual treatment regimen response curve
本文针对个体化医疗中的条件价值函数,提出基于筛的非参数协变量调整治疗方案响应曲线估计量,并建立其有效推断、置信区间及最优规则估计性质。
2023-09-28 math.ST stat.ME stat.ML
Consistency of penalized maximum likelihood estimation for multidimensional change-in-velocity detection
Duke University School of Medicine(杜克大学医学院);University of Chicago(芝加哥大学);Tulane University(杜兰大学)
本文证明了CPLASS方法中惩罚最大似然估计量在高频数据下对分段线性轨迹变点检测的一致性,给出了变点位置误差的收敛速率。
2026-10-06 math.ST stat.TH
Penalized Maximum Likelihood Inference of Core-Periphery Networks
Università di Pisa(比萨大学);Università di Siena(锡耶纳大学)
提出PLSD方法,通过惩罚似然修正核心-边缘网络推断,兼顾高阶结构,并在模拟与真实网络数据中验证其有效性。
2026-09-15 cond-mat.stat-mech econ.EM physics.soc-ph
Asymmetric conformal prediction with penalized kernel sum-of-squares
Safran Tech(赛峰技术);Univ Rennes, Ensai, CNRS, CREST - UMR 9194(雷恩大学、ENSAI、法国国家科学研究中心、CREST)
本文提出了一种基于惩罚核平方和框架的非对称符合预测方法,通过调整惩罚强度实现预测带的适应性,以应对噪声偏斜和小样本问题。
2026-11-04 math.ST stat.TH
Learning Cost-Effective Treatment Regimes using Markov Decision Processes
Stanford University(斯坦福大学);Duke University(杜克大学)
决策者,如医生和法官,每天都要做出重要决定,如向患者推荐治疗方法,以及向被告提供保释。这类决策通常涉及权衡采取行动的潜在收益与所涉成本。在这项工作中,我们的目标是自动学习\emph{cost-effective, interpretable and actionable treatment regimes}的任务。我们将其表述为学习决策列表的问题--一系列if-then-else规则--它映射了主题的特征(例如,患者的诊断测试结果)到治疗。我们提出了一个新的目标,以构建一个决策列表,最大限度地提高人口的成果,并最大限度地减少总成本。我们模型的问题,学习这样一个列表的马尔可夫决策过程(MDP),并采用了一个变种的上界树(UCT)的策略,利用定制的检查修剪搜索空间有效。对真实世界的观察数据捕获司法保释决定和哮喘患者的治疗建议的实验结果证明了我们的方法的有效性。
2016-10-21 cs.AI cs.LG stat.ML
Learning Cost-Effective and Interpretable Regimes for Treatment Recommendation
决策者,如医生和法官,每天都要做出重要决定,如向患者推荐治疗方法,以及向被告提供保释。这类决策通常涉及权衡采取行动的潜在收益与所涉成本。在这项工作中,我们的目标是自动化这项任务的学习{成本效益,可解释和可操作的治疗方案。我们将其表述为学习决策列表的问题--一系列if-then-else规则--它映射了主题的特征(例如,患者的诊断测试结果)到治疗。我们提出了一个新的目标,以构建一个决策列表,最大限度地提高人口的成果,并最大限度地减少总成本。我们模型的问题,学习这样的列表作为一个马尔可夫决策过程(MDP),并采用了一个变种的上界树(UCT)的策略,利用定制的检查修剪搜索空间有效。对真实世界的观察数据捕获哮喘患者的治疗建议的实验结果证明了我们的方法的有效性。
2016-11-23 stat.ML
Ambiguous Dynamic Treatment Regimes: A Reinforcement Learning Approach
Harvard Kennedy School, Harvard University(哈佛大学肯尼迪学院,哈佛大学);Mayo Clinic(梅奥诊所)
针对未观测时变混杂导致的因果模型模糊问题,提出ADTRs并结合APOMDPs与强化学习学习最优治疗方案,给出一致性和渐近正态性理论,并通过NODAT案例与仿真验证。
2023-06-05 cs.LG math.OC math.ST
Penalized Spline M-Estimators for Discretely Sampled Functional Data: Existence and Asymptotics
本文研究离散采样函数数据在凸损失函数下的惩罚样条M估计,建立非渐近存在性与局部化引理,证明最优收敛速率并识别结点状态及临界转折点,表明离散数据下仍可达到参数化速率,且方法兼具稳健性与计算效率。
2025-08-16 stat.ME
SAFER: A Calibrated Risk-Aware Multimodal Recommendation Model for Dynamic Treatment Regimes
University of Pennsylvania(宾夕法尼亚大学);Rutgers University(罗格斯大学)
针对动态治疗方案中标签不确定、数据模态单一及安全保障不足的问题,提出融合结构化EHR与临床笔记的SAFER框架,并用保形预测过滤风险,实验证明其推荐效果与安全性更优。
2025-06-07 cs.LG stat.ML
Ultrahigh-dimensional Robust and Efficient Sparse Regression using Non-Concave Penalized Density Power Divergence
我们提出了一种基于非凹惩罚密度功率发散损失函数的稀疏回归方法,该方法在非常高维的情况下对无穷小污染具有鲁棒性。现有的稀疏鲁棒回归方法都是基于$\ell_1$ -惩罚的,其理论性质还没有得到很好的研究。相比之下,我们使用一个通用类的折叠凹罚,确保稀疏恢复和一致的估计回归系数。我们提出了一个交替算法的凹凸过程的基础上获得我们的估计,并证明其鲁棒性使用影响函数分析。在一定的固定设计矩阵和罚函数条件下,证明了该估计在超高维情形下具有大样本预言性质。通过仿真研究证明了我们所提出的参数估计和预测方法的性能和有效性。
2020-07-28 stat.ME
Penalized Empirical Likelihood for Doubly Robust Causal Inference under Contamination in High Dimensions
Department of Mathematics and Physics, Gangneung-Wonju National University(数学与物理系,江陵-Wonju国立大学);Department of Applied Statistics, Yonsei University(应用统计学系,延世大学);Department of Statistics, Dongguk University(统计学系,东国大学);Department of Marketing Bigdata, Mokwon University(市场营销大数据系,摩斯大学);Department of Data Science, Gangneung-Wonju National University(数据科学系,江陵-Wonju国立大学)
提出一种高维低样本量下的双重稳健平均处理效应估计量,结合有界影响估计方程与协变量平衡倾向得分,嵌入非凸正则化惩罚经验似然框架,实现稳健推断与高效区间估计。
2025-11-01 cs.LG stat.ME
Asymptotically Efficient Data-adaptive Penalized Shrinkage Estimation with Application to Causal Inference
本文提出一种数据自适应 L1/L2 惩罚收缩后处理方法,在保持非参数估计量渐近效率的同时降低有限样本 MSE,并通过模拟和透析提供者质量因果估计验证。
2025-05-12 stat.ME
Debiased Inference on Heterogeneous Quantile Treatment Effects with Regression Rank-Scores
本文提出一种结合 $\ell_1$-惩罚回归调整与秩得分偏差校正的新方法,用于高维协变量下异质性分位数处理效应的去偏推断,并通过模拟和英国生物银行数据验证其有效性。
2023-07-11 stat.ME
Double/Debiased Machine Learning for Continuous Treatment Effects in Panel Data with Endogeneity
Fudan University(复旦大学)
本文提出了一种双重/去偏机器学习框架,用于估计非参数面板模型中平均导数效应,扩展了工具变量方法到面板数据设置,处理连续治疗和各种内生性形式,并引入交叉拟合方案以消除时间固定效应后的独立性。通过惩罚GMM去偏项实现自动去偏机器学习。所提出的估计器在同时效应、动态效应和聚合效应上具有一致性和渐近正态性,具有有效的方差估计器。模拟显示了减少的正则化偏差和准确的置信区间。对ECLS-K数据的应用揭示了家庭社会经济地位对儿童BMI影响的丰富动态。
2026-05-18 stat.ME
Using Decision Lists to Construct Interpretable and Parsimonious Treatment Regimes
治疗方案将个性化医疗正式化为从个体患者特征到推荐治疗的函数。高质量的治疗方案可以改善患者的预后,同时降低成本、资源消耗和治疗负担。因此,从观察性和随机化研究中估计治疗方案具有巨大的兴趣。然而,临床实践中应用的治疗方案的开发需要统计学家和临床科学家的长期共同努力。在这一协作过程中,统计学家必须将临床科学整合到治疗方案基础的统计模型中,临床医生必须仔细检查估计的治疗方案的科学有效性。为了促进有意义的信息交流,重要的是,估计的治疗制度是在一个主题的背景下解释。我们提出了一个简单的,但灵活的一类治疗制度,其成员是代表作为一个简短的列表,如果然后声明。这类制度是立即可解释的,因此是在实践中广泛应用的一个有吸引力的选择。我们推导出一个鲁棒估计的最佳政权在这个类,并证明其有限样本的性能,使用模拟实验。所提出的方法说明了两个临床试验的数据。
2015-04-29 stat.ME
Exploration of heterogeneous treatment effects via concave fusion
了解治疗异质性对于精准医学的发展至关重要,精准医学旨在为具有相似特征的患者亚组量身定制医学治疗。实现这一目标的挑战之一是,我们通常没有关于治疗的患者分组信息的先验知识。为了解决这个问题,我们考虑了一个异质回归模型,假设治疗变量的系数是受试者依赖的,属于不同的亚组,分组信息未知。我们开发了一种凹融合惩罚方法,用于自动估计分组结构和子组特定的处理效应,并推导出一个交替方向的乘法器算法的实现方法。我们还研究了所提出的方法的理论性质,并表明在适当的条件下,存在一个局部极小,等于预言最小二乘估计与先验知识的真实分组信息的高概率。这为基于所提出的方法对亚组特异性处理效应进行统计推断提供了理论支持。我们评估所提出的方法的性能模拟研究,并说明其应用程序分析数据从艾滋病临床试验组研究。
2019-08-19 stat.ME
A single-index model with a surface-link for optimizing individualized dose rules
本文重点研究了使用单指标回归方法建模和估计协变量和连续治疗变量之间的相互作用对结果的影响。主要动机是在观察性研究中估计最佳个体化剂量规则。为了对患者协变量和连续治疗变量之间可能的非线性相互作用效应进行建模,我们在指数-治疗域上采用二维惩罚样条回归,其中指数定义为协变量的线性投影。使用两个应用程序以及模拟实验的方法进行说明。这项工作的一个独特的贡献是在具体定义的相互作用效应项的简约(单指数)参数化。
2021-01-31 stat.ME
Linking COPD Prevalence with Income Distribution: A Spatial Heterogeneous Compositional Regression via Geographically Weighted Penalized Approach
Department of Biostatistics and Data Science, The University of Texas Health Science Center at Houston(德克萨斯大学健康科学中心休斯顿医学院生物统计与数据科学系);Department of Statistics, University of California, Riverside(加州大学河滨分校统计学系);Department of Geography, San Diego State University(圣地亚哥州立大学地理学系);Department of Statistics and Probability, Michigan State University(密歇根州立大学统计与概率系)
本文提出了一种地理加权惩罚组合回归模型,用于分析收入分布与COPD患病率之间的空间异质关系,通过非凸惩罚提升高维空间数据的估计精度和可解释性。
2026-05-15 stat.ME
Penalized GEE for Complex Carry-Over in Repeated-Measures Crossover Designs
Universitat de les Illes Balears(巴利阿里群岛大学);King’s College London(伦敦国王学院);Universidad Nacional de Colombia(哥伦比亚国立大学)
本文提出了一种基于惩罚GEE的模型,用于估计交叉设计中的复杂残留效应,通过模拟展示该方法能提高治疗效应估计的精度,减少偏差。
2025-08-21 math.ST stat.ME stat.TH
Identifying optimally cost-effective dynamic treatment regimes with a Q-learning approach
关于患者治疗策略的卫生政策决定需要考虑治疗效果和成本。在有效性方面优化治疗规则可能导致过于昂贵的策略;另一方面,在成本方面优化可能导致患者预后不良。我们提出了一个两步的方法来确定一个最佳的成本效益和可解释的动态治疗方案。首先,我们开发了一个相结合的Q-学习和政策搜索的方法来估计一个最佳的列表为基础的制度下的预期治疗费用的约束。其次,我们提出了一个迭代的过程来选择一个最佳的成本效益的制度,从一组候选制度对应于不同的成本约束。我们的方法可以估计最佳的制度存在时变的混杂,审查和相关的结果。通过模拟研究,我们说明了估计的治疗方案的有效性,并检查灵活的建模方法下的操作特性。我们还应用我们的方法来评估最佳的成本效益的治疗策略分配辅助治疗子宫内膜癌患者。
2021-10-18 stat.ME
On Identification of Optimal Dynamic Treatment Regimes with Proxies of Hidden Confounders
针对时变治疗受隐藏混杂因素干扰的问题,提出利用每个时间点两个独立且相关的代理变量识别反事实联合分布,从而实现最优动态治疗方案的识别。
2025-02-18 stat.ME
Doubly robust average treatment effect estimation for survival data
针对生存数据中高维低样本量下的因果推断问题,提出基于惩罚经验似然和协变量平衡倾向得分的双重稳健平均处理效应估计量,具备Oracle性质、稀疏性和渐近正态性。
2025-09-10 stat.ME
Interpretable Dynamic Treatment Regimes
精准医学是目前临床和干预科学中非常感兴趣的话题。将精准医疗正规化的一种方法是通过治疗方案,这是一系列决策规则,每个临床干预阶段一个,将最新的患者信息映射到推荐的治疗方法。最佳治疗方案被定义为如果应用于感兴趣的人群,则使一些累积临床结果的平均值最大化。众所周知,即使在简单的生成模型下,最佳治疗方案也可以是患者信息的高度非线性函数。因此,最近的方法学研究的焦点一直是灵活的模型估计最佳治疗方案的发展。然而,在许多情况下,最佳治疗方案的估计是一种探索性分析,旨在为后续研究产生新的假设,而不是直接指导新患者的治疗。在这样的设置中,在域上下文中可解释的估计的治疗方案可能比使用“黑盒”估计方法构建的不可理解的治疗方案具有更大的价值。我们提出了一个估计的最佳治疗方案组成的一系列的决策规则,每一个表达为一个列表的“如果,然后”语句,可以呈现为一个段落或一个简单的流程图,是立即解释领域专家。这些列表的离散性排除了平滑,即,基于梯度的估计方法,并导致非标准渐近。尽管如此,我们提供了一个计算效率的估计算法,证明所提出的估计的一致性,并得出收敛速度。我们说明了所提出的方法,使用一系列的模拟例子和应用程序的数据从一个连续的临床试验双相情感障碍。
2016-06-05 stat.ME
The Instrumental Variable Method for Estimating Local Average Treatment Regime Effects
我们提出的工具变量制度(IVR)的方法来估计多个序贯治疗的因果关系。该方法用于解决顺序处理的内源性选择问题。IVR是一系列工具变量,其中每个IV工具用于内源性治疗变量。我们提出的方法将Imbens和Angrist(1994)中的LATE模型从单一治疗推广到顺序应用的许多治疗。更确切地说,使用IVR,该模型允许估计局部平均治疗方案效应(LATRE),可能以一组初始协变量为条件。虽然有研究在这方面使用IVR,他们都需要一个结构功能形式的假设。我们的方法是新颖的,因为我们不需要任何这样的假设。因此,与以前的方法不同,我们的方法对模型错误指定具有鲁棒性,这通常发生在治疗方案设置中。本文中的想法和估计的动机和说明通过上下文的例子显示使用IVR在估计治疗方案的广告效果的购买行为时,广告显示在多个时期。我们证明了所提出的方法与模拟的性能。
2017-02-18 stat.ME
Monte Carlo Sensitivity Analysis for Unmeasured Confounding in Dynamic Treatment Regimes
用于个性化治疗分配的数据驱动方法已经引起了临床医生和研究人员的广泛关注。动态治疗方案通过一系列决策规则将其形式化,这些规则将个体患者特征映射到推荐的治疗。观察性研究通常用于估计动态治疗方案,因为进行序贯多分配随机试验的成本可能过高。然而,根据观察数据估计动态治疗方案可能会由于未测量的混杂因素导致估计方案的偏倚。敏感性分析可用于评估研究结论对潜在未测量混杂因素的稳健性。蒙特卡罗敏感性分析是一种概率方法,涉及对控制偏倚的参数的分布进行定位和采样。我们提出了一种方法进行蒙特卡罗敏感性分析的偏差,由于未测量的混杂在估计的动态治疗方案。我们证明了所提出的程序与模拟研究的性能,并将其应用到一项观察性研究中,该研究使用Kaiser Permanente Washington(KPWA)的数据来检查是否使用抗抑郁药来减轻抑郁症状。
2022-02-18 stat.ME
On Estimation of Optimal Dynamic Treatment Regimes with Multiple Treatments for Survival Data-With Application to Colorectal Cancer Study
针对晚期结直肠癌临床研究中的多治疗生存数据,提出删失C学习(CC-learning)方法,通过改进反向递归、转化为代价敏感分类估计最优动态治疗方案,兼具理论保证与可解释性,并在真实数据中识别出阶段化树状治疗方案。
2023-10-08 stat.ME
Using Pilot Data to Size Observational Studies for the Estimation of Dynamic Treatment Regimes
已经有显着的注意力给予开发数据驱动的方法,用于定制基于个体患者特征的患者护理。动态治疗方案通过将患者信息映射到建议治疗的一系列决策规则来形式化这一点。用于估计和评价治疗方案的数据理想地通过使用序贯多分配随机试验(SMART)收集,尽管由于进行SMART的潜在成本过高,通常使用纵向观察性研究。这些研究的规模通常是固定治疗序列的简单比较,或者在观察性研究的情况下,通常不进行先验样本量计算。我们开发了样本量程序,用于从观察性研究中估计动态治疗方案。我们的方法使用试点数据,以确保研究将有足够的把握度比较最佳方案的价值,即预期的结果,如果所有患者在人群中接受治疗后的最佳方案,与已知的比较平均值。我们的方法还确保了估计的最佳治疗方案的值在具有高概率的真实最佳方案的值的先验集合范围内。我们研究的性能与模拟研究的建议程序,并使用它来规模的研究,减少抑郁症状,使用电子健康记录的数据。
2022-02-18 stat.ME
Using shrinkage methods to estimate treatment effects in overlapping subgroups in randomized clinical trials with a time-to-event endpoint
本研究提出使用惩罚和贝叶斯收缩方法估计随机临床试验中重叠亚组的治疗效果,通过灵活的Cox模型和边缘化获得更稳健的估计,并已在R包bonsaiforest中实现。
2024-07-16 stat.AP stat.ME
Measurement error and precision medicine: error-prone tailoring covariates in dynamic treatment regimes
精准医学结合患者水平的协变量来定制治疗决策,寻求改善结果。在随时间变化的协变量和顺序治疗决策的纵向研究中,精确医学可以用动态治疗方案(DTR)形式化:协变量依赖的治疗规则序列。到目前为止,精确医学文献还没有解决卫生研究中普遍存在的问题-测量误差-观察到的数据偏离真相。我们讨论了在DTR的背景下忽略测量误差的后果,重点是精准医疗所特有的挑战。我们通过模拟和理论结果表明,相对简单的测量误差校正技术可以导致实质性的改善,在未经校正的分析,并将这些研究结果应用于序贯治疗替代缓解抑郁症(STAR*D)的研究。
2020-06-15 stat.ME
Multi-stage optimal dynamic treatment regimes for survival outcomes with dependent censoring
我们提出了一种强化学习方法来估计一个最佳的动态治疗方案的生存结果与相关删失。该估计量允许失效时间有条件地独立于删失并依赖于治疗决策时间,支持灵活的治疗组和治疗阶段数量,并且可以在某个时间点最大化平均生存时间或生存概率。该估计器是使用广义随机生存森林构造的,并且可以具有多项式收敛速度。模拟和数据分析结果表明,新的估计带来更高的预期结果比现有的方法在各种设置。CRAN上有一个R软件包dtrSurv。
2022-05-12 stat.ME
Constructing Stabilized Dynamic Treatment Regimes for Censored Data
稳定的动态治疗方案是个体患者的顺序决策规则,不仅在整个疾病进展过程中自适应,而且在格式上随时间保持一致。当关注的临床结果是受删失影响的生存时间时,稳定的动态治疗方案的估计变得更加复杂。为了解决这一挑战,我们提出了两种新的方法,审查共享Q学习和审查共享O学习。这两种方法都将临床偏好纳入到定性规则中,其中索引决策规则的参数在不同阶段共享并同时估计。我们使用广泛的仿真研究来证明所提出的方法的优越性能。该方法进一步应用于Frachial研究,以获得心血管疾病的治疗规则。
2019-03-02 stat.ME
Predictor Selection for Synthetic Controls
综合控制方法通常依赖于匹配的预处理特性(称为预测)的处理单元。预测量的选择和如何加权对综合控制估计量的性能和可解释性起着关键作用。本文提出了一种稀疏的合成控制过程,惩罚的数量的预测用于生成反事实选择最重要的预测。我们推导出,在一个线性因子模型的框架下,一个新的模型选择的一致性结果,并表明,惩罚过程具有更快的均方误差收敛速度。通过仿真研究,我们然后表明,稀疏综合控制实现了更低的偏差,并具有更好的后处理性能比unpenalized综合控制。最后,我们应用该方法重新研究了在加利福尼亚州的99号提案的通过,在一个增强的设置与大量的预测。
2022-12-29 econ.EM stat.ME stat.ML
Functional Individualized Treatment Regimes with Imaging Features
本文提出一种数据驱动方法,将医学影像视为随机过程并利用平滑技术构建可解释特征,以指导个体化最优治疗,证明了估计量一致性并应用于ADNI数据集。
2023-04-25 stat.ME
Balancing utility and cost in dynamic treatment regimes
本文提出平衡 Q-learning 方法,在动态治疗方案中同时权衡治疗效用与治疗分配及协变量评估成本,并通过模拟和 MIMIC-III 真实数据验证其性能。
2025-07-23 stat.ME
Approximate Bayesian Bootstrap Procedures to Estimate Multilevel Treatment Effects in Observational Studies with Application to Type 2 Diabetes Treatment Regimens
随机临床试验被认为是估计因果关系的金标准。然而,在旨在检查干预措施的不良影响的研究中,由于伦理和经济方面的考虑,此类试验往往不切实际。在观察性研究中,广义倾向得分的匹配被提出作为估计多种干预措施的处理效应的可能解决方案。然而,这些匹配程序的点估计和区间估计的推导可能会变得复杂,具有非连续或删失的结果。我们提出了一种新的近似贝叶斯Bootstrap算法,导致统计上有效的点和区间估计的处理效应与分类结果。该程序依赖于估计的广义倾向得分,并对每个单元的未观察到的潜在结局进行多重插补。此外,我们描述了一个相应的解释敏感性分析,以检查unconfoundedness假设。我们应用这种方法在一个大型观察性数据库中检查2型糖尿病常见的真实抗糖尿病治疗方案的心血管安全性。
2020-01-17 stat.ME
Learning Optimal Dynamic Treatment Regimens Subject to Stagewise Risk Controls
本文提出BR-DTRs框架,通过向后学习与风险约束,在每阶段限制治疗风险,求解加权支持向量机问题,实现获益-风险权衡,并证明其一致性与收敛性。
2024-04-22 stat.ME
Dynamic treatment regime characterization via value function surrogate with an application to partial compliance
精准医学是一个很有前途的框架,可以为改善健康和医疗保健提供证据。然而,在现实世界临床环境中,越来越多的用于证据生成和实施的统计精确医学策略之间存在差距,缩小这一差距的策略可能取决于背景。在本文中,我们考虑的具体情况下,部分遵守伤口管理的患者外周动脉疾病。通过使用一个高斯过程代理的价值函数,我们扩展超出了常见的精确医学任务的学习一个最佳的动态治疗方案的动态治疗方案的类别的表征,以及如何将这些发现转化为临床背景。
2022-12-01 stat.ME
Estimating Optimal Dynamic Treatment Regimes Using Irregularly Observed Data: A Target Trial Emulation and Bayesian Joint Modeling Approach
本文扩展目标试验框架以处理不规则观测数据下的最优动态治疗方案估计,提出基于贝叶斯联合模型的G计算方法,校正就诊与治疗过程的混杂偏差,并在HIV治疗数据中验证其有效性。
2025-02-04 stat.ME