Extreme Continuous Treatment Effects: Measures, Estimation and Inference
本文讨论了在与连续值处理相对应的不可观察潜在结果的反事实分布的深尾中处理效果的估计和推断。我们考虑两个措施的深尾特征:极端分位数函数和尾部均值函数定义为条件均值超过分位数水平。然后定义了极端分位数处理效应(EQTE)和极端平均处理效应(EATE),它们可以通过常用的无混淆条件进行识别,并借助极值理论进行估计。我们的极限理论是EQTE和EATE过程索引的一组分位数水平,因此有利于统一的推理。仿真结果表明,我们的方法在有限样本和实证应用说明了其实际价值。
2022-09-01 math.ST stat.TH
Optimal Treatment Regimes for Proximal Causal Learning
针对观察数据中无混杂假设失效的问题,基于proximal causal inference框架提出利用confounding bridges构建最优个体化治疗策略,其值函数优于现有方法,并提供了理论保证与实证验证。
2023-10-24 stat.ME stat.ML
Sequential Advantage Selection for Optimal Treatment Regimes
临床试验或观察性研究中最佳治疗方案的变量选择越来越受到关注。现有的大多数变量选择技术集中于选择对预测重要的变量,因此,一些预测性差但对决策至关重要的变量可能会被忽略。当处理效应随着变量值的变化而改变方向时,变量与处理的定性相互作用就产生了。定性的相互作用表明了这个变量对决策的重要性。Gunter et al.(2011)提出了S评分,用于表征每个变量与单独治疗的定性相互作用的程度。在本文中,我们开发了一个顺序优势选择方法的基础上修改的S-评分。我们的方法选择定性相互作用的变量顺序,因此排除了边际重要,但共同不重要的变量{反之亦然}。通过联合模型选择的变量所得到的最优治疗方案更全面、更可靠。利用所提出的停止准则,我们的方法可以处理大量的协变量,即使样本量很小。仿真结果表明,我们的方法在实际环境中表现良好。我们进一步将我们的方法应用于抑郁症临床试验的数据。
2014-05-20 stat.ME stat.ML
On Multiple Robustness of Proximal Dynamic Treatment Regimes
Center for Data Science, Zhejiang University(浙江大学数据中心);Department of Statistics and Data Science, National University of Singapore(新加坡国立大学统计与数据科学系);National University of Singapore(新加坡国立大学)
针对无混杂假设失效时最优动态治疗方案的学习问题,提出基于近端因果推断的三种非参数识别方法、半参数效率界及(K+1)稳健估计,并经数值实验验证其有效性与多种稳健性。
2025-10-23 math.ST stat.ME stat.ML
Extreme Quantile Treatment Effects under Endogeneity: Evaluating Policy Effects for the Most Vulnerable Individuals
本文提出一种在内生性下估计极端分位数处理效应的新方法,利用正则变化和子抽样保证极端尾部稳健推断,并应用于JTPA职业培训数据,发现最弱势个体的培训效果显著为负。
2024-09-06 econ.EM stat.ME
Causal nearest neighbor rules for optimal treatment regimes
最佳治疗方案的估计是相当感兴趣的精确医学。在这项工作中,我们提出了一个因果$k$ -最近邻法估计的最佳治疗方案。该方法基于因果推断的框架,在最近邻域内估计因果处理效应。该方法虽然简单,但具有良好的理论性质。我们表明,因果$k$ -最近邻制度是普遍一致的。也就是说,随着样本量的增加,因果$k$ -最近邻方案最终将学习最佳治疗方案。我们还建立了它的收敛速度。然而,因果$k$ -最近邻机制可能遭受维数灾难,即性能随着维数增加而恶化。为了缓解这个问题,我们开发了一个自适应因果$k$ -最近邻方法,同时进行度量选择和变量选择。所提出的方法的性能说明在模拟研究和慢性抑郁症的临床试验的分析。
2017-11-22 stat.ML
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
A semiparametric instrumental variable approach to optimal treatment regimes under endogeneity
有一个快速增长的文献估计最佳治疗方案的基础上随机试验或观察性研究的关键识别条件下,没有不可测量的混杂。由于在观察性研究或随机试验中无法确定性地排除不可测量因素的混杂,因此我们提出了一种通用的工具变量方法来学习内分泌下的最佳治疗方案。具体而言,我们建立了一个给定的制度$\mathcal{D}$和最佳制度$\text{argmax}_{\mathcal{D}} E[Y_{\mathcal{D}(L)}]$的帮助下,一个二进制工具变量的价值函数$E[Y_{\mathcal{D}(L)}]$的识别,当没有未测量的混杂未能举行。我们还构建了新的多重鲁棒分类为基础的估计。此外,我们建议,以确定和估计最佳的治疗方案之间的那些谁将遵守分配的治疗下一个标准的单调性假设。在后一种情况下,我们建立了有点令人惊讶的结果,即编译器的最佳方案可以一致地估计,而不直接收集遵守信息,因此没有编译器平均处理效应本身被确定。我们的方法说明了通过广泛的模拟研究和数据的应用,对劳动参与的儿童抚养的影响。
2020-08-10 math.ST stat.ME stat.ML
G-Net: A Deep Learning Approach to G-computation for Counterfactual Outcome Prediction Under Dynamic Treatment Regimes
Massachusetts Institute of Technology(麻省理工学院);IBM Research(IBM研究院);MIT-IBM Watson AI Lab(麻省理工学院-IBM沃森人工智能实验室)
反事实预测是决策中的一项基本任务。G计算是一种在动态时变治疗策略下估计预期反事实结果的方法。现有的G-计算实现大多采用经典的回归模型,其捕获复杂的时间和非线性依赖结构的能力有限。本文介绍了G-Net,这是一种用于G计算的新型顺序深度学习框架,可以处理复杂的时间序列数据,同时施加最小的建模假设,并提供对个体或群体水平时变治疗效果的估计。我们使用从CVSim(一种心血管系统的机械模型)获得的逼真的复杂时间模拟数据来评估替代G-Net实现。
2020-03-23 cs.LG stat.ML
Learning Optimal Dynamic Treatment Regimes Using Causal Tree Methods in Medicine
ETH Zurich(苏黎世联邦理工学院);LMU Munich(慕尼黑大学)
本文提出基于因果树和因果森林的两种新方法(DTR-CT和DTR-CF),用于学习最优动态治疗策略,处理复杂患者数据,在合成和重症监护数据上优于基线,提升个性化医疗建议。
2023-06-19 cs.LG stat.AP stat.ME
Kernel Optimal Orthogonality Weighting: A Balancing Approach to Estimating Effects of Continuous Treatments
许多科学问题需要估计连续治疗的效果。结果建模和基于广义倾向得分的加权回归是评价连续效应最常用的方法。然而,这些技术可能对模型错误指定、极端权重或两者敏感。在本文中,我们提出了核最优连续性加权(KOOW),凸优化为基础的方法,估计连续治疗的效果。KOOW找到使连续治疗和混杂因素之间的最差情况惩罚函数协方差最小化的权重。通过最小化该数量,KOOW成功地提供了使混杂因素和连续治疗正交化的权重,从而提供了最佳协变量平衡,同时控制了极端权重。我们评估其比较性能的模拟研究。使用来自妇女健康倡议观察性研究的数据,我们应用KOOW来评估红肉消费对血压的影响。
2019-10-26 stat.AP stat.ME stat.ML
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
On a necessary and sufficient identification condition of optimal treatment regimes with an instrumental variable
不可测混杂对因果推理和个体化决策是一种威胁。与Cui和Tchetgen Tchetgen(2020); Qiu等人(2020); Han(2020 a)类似,我们考虑了使用有效工具变量识别最佳个体化治疗方案的问题。Han(2020 a)使用Cui和Tchetgen Tchetgen(2020)的条件Wald估计量提供了最佳治疗方案的替代识别条件; Qiu等人(2020)在治疗分配受内分泌影响且有效的二元工具变量可用时。本文给出了利用条件Wald估计量确定最优治疗方案的一个充要条件。Cui和Tchetgen Tchetgen(2020); Qiu等人(2020); Han(2020 a)的研究必然暗示了我们的新情况,并且可能继续存在于先前结果未涵盖的各种潜在环境中。
2021-09-29 math.ST stat.ME stat.TH
Estimating and Improving Dynamic Treatment Regimes With a Time-Varying Instrumental Variable
University of Pennsylvania(宾夕法尼亚大学)
根据回顾性观察数据估计动态治疗方案(DTR)具有挑战性,因为通常会出现某种程度的未测量混杂。在这项工作中,我们开发了一个框架,估计适当定义的“最佳”DTR与随时间变化的工具变量(IV)时,未测量的协变量混淆的治疗和结果,使潜在的结果分布只有部分确定。我们推导出一种新的Bellman方程下的部分识别,用它来定义一个通用类的被估量(称为IV-最优DTR),并研究相关的估计问题。然后,我们扩展了IV最优性框架来解决策略改进问题,提供IV改进的DTR,保证其性能不会比预先指定的基线DTR更差,并且可能更好。重要的是,我们的IV改进框架开辟了严格改进DTR的可能性,DTR在无不可测混杂假设(NUCA)下是最佳的。我们通过大量的模拟证明了IV-优化和IV-改进的DTR的优越性能比仅在NUCA下最优的DTR。在一个真实的数据示例中,我们将回顾性观察登记数据嵌入到一个自然的两阶段实验中,该实验使用随时间变化的IV,并估计有用的IV最佳DTR,该DTR根据其预后变量将母亲分配到高级别或低级别的新生儿重症监护病房。
2021-04-15 cs.LG econ.EM stat.ME
Proximal Individualized Functional Treatment Regimes
George Washington University(乔治华盛顿大学)
本文针对存在未测量混杂的观测数据,在近端因果推断框架下提出算法估计最优个体化功能治疗方案,经模拟验证后应用于加速度计数据集优化身体活动分布以改善甘油三酯-葡萄糖指数。
2026-08-11 stat.AP stat.ME
Doubly robust estimation of optimal treatment regimes for survival data using an instrumental variable
本文针对存在不可观测混杂因素和工具变量的生存数据,提出基于 Kaplan-Meier 型生存函数最大化的半参数最优治疗方案估计方法,并构造 doubly robust 估计量及核平滑改进,通过模拟和实际癌症筛查数据验证其有效性。
2025-07-23 stat.ME
Sensitivity analysis for constructing optimal regimes in the presence of treatment non-compliance
针对存在治疗不依从性和两种积极治疗时现有方法失效的问题,提出基于敏感性参数向量的最优治疗策略识别程序及多重稳健分类估计量,并通过模拟和随机试验验证了其有效性。
2024-02-20 stat.ME
Causal Analysis at Extreme Quantiles with Application to London Traffic Flow Data
提出一种结合重尾特征估计极端尾部处理效应的新方法,应用于伦敦交通数据,发现Cycle Superhighways运营后极端交通流量显著增加。
2023-08-07 stat.ME
A tutorial on optimal dynamic treatment regimes
MRC Biostatistics Unit, University of Cambridge(剑桥大学MRC生物统计单元)
本教程系统介绍最优动态治疗方案的定义、因果推断框架、识别假设、统计模型与估计方法,并展示其在模拟和真实数据中的应用。
2025-10-10 stat.AP stat.OT
Regime and Treatment Effects in Duration Models: Decomposing Expectation and Transplant Effects on the Kidney Waitlist
本文提出了一个因果分解框架的设置中,初始制度随机化的影响治疗持续时间的时间。初始随机化和治疗反过来影响关注的持续时间结局。我们的经验应用程序考虑了肾移植等待名单上的个人的生存。一旦进入等待名单,具有AB血型的个人,他们是普遍的接受者,有效地随机分配到一个更容易快速接受肾移植的方案。我们的动态潜在结果框架使我们能够确定血型的移植前效应,以及取决于血型的移植效应。我们进一步发展动态假设,建立在晚框架,并允许研究人员分离不同的人口基质的影响。我们的主要经验结果是AB血型候选人显示出更高的移植前死亡率。我们提供的证据表明,这种影响是由于行为的变化,而不是生物学差异。
2022-05-23 econ.EM stat.ME
Causality and extremes
该研究总结极值因果推断的前沿方法,介绍分位数处理效应的极值方法、两类极值因果结构的可识别性及相关因果结构学习,并用Seine network数据集验证实用性,指明未来研究方向。
2024-03-08 stat.ME
Identification in Endogenous Sequential Treatment Regimes
本文提出一种基于动态工具变量与动态边际处理效应的非参数识别方法,用于内生序贯处理机制下的处理效应识别,放松了支撑集与不可观测收益假设,并通过蒙特卡洛模拟验证了筛分估计量的有限样本性能。
2023-11-30 econ.EM stat.AP
Optimal regimes for algorithm-assisted human decision-making
本文提出算法辅助人类决策的超最优策略,利用自然治疗值保证优于传统最优策略,并在工具变量设置下给出识别与估计方法,通过重症监护案例验证其效用。
2024-02-22 math.ST stat.ME stat.TH
Semi- and non-parametric approaches to individualized treatment regimes in the presence of causal mediation
McGill University(麦吉尔大学);Virginia Commonwealth University(弗吉尼亚联邦大学)
提出贝叶斯半参数和非参数估计器估计条件中介效应,用于优化个体化治疗方案,并应用于丙肝阳性供体肾移植分配。
2026-06-23 stat.ME
Addressing Extreme Propensity Scores in Estimating Counterfactual Survival Functions via the Overlap Weights
逆概率加权方法是观察性研究中评价处理效应的常用方法,但极端的倾向得分可能会使估计量产生偏倚,并导致过度的方差。最近,已经提出了重叠加权方法来缓解这个问题,它平滑地降低了具有极端倾向得分的受试者的权重。尽管重叠加权的优势已在连续和二元结局的文献中得到广泛证实,但关于其与至事件发生时间或生存结局的性能的研究有限。在这篇文章中,我们提出了两个加权估计,结合倾向得分加权和逆概率截尾加权估计的反事实生存函数。这些估计适用于一般类别的平衡权重,其中包括逆概率加权,修剪和重叠加权作为特殊情况。我们进行模拟,以检查这些估计与不同的加权方案的经验性能的偏差,方差和95%的置信区间覆盖率,在不同程度的协变量重叠治疗组和删失率。我们证明,重叠加权始终优于逆概率加权和相关的修剪方法的偏差,方差和覆盖的时间到事件的结果,和优势增加的程度,治疗组之间的协变量重叠减少。
2022-06-20 stat.AP stat.ME
Estimation and Inference of Extremal Quantile Treatment Effects for Heavy-Tailed Distributions
本文针对重尾结局变量提出基于渐近尾部近似和因果Hill估计量的极值分位数处理效应估计方法,建立了渐近正态性与一致方差估计,并通过模拟和大学教育对工资影响的实证分析验证了方法的有效性。
2023-07-05 math.ST stat.ME stat.TH
Estimating dynamic treatment regimes for ordinal outcomes with household interference: Application in household smoking cessation
本文提出加权比例优势模型(WPOM)及其动态扩展dWPOM,用于估计具有家庭干扰的序数结果动态治疗方案,并通过模拟和烟草研究数据验证,提供家庭戒烟的最优策略。
2023-12-21 stat.AP stat.ME
Evaluating Ex Ante Counterfactual Predictions Using Ex Post Causal Inference
我们推导出一个正式的,基于决策的方法,用于比较使用实验结果的反事实治疗方案预测的性能,提供相关信息的分布治疗结果。我们的方法使我们能够量化和评估的差异性能的统计意义,从结构模型,外推处理效应,专家意见,和其他方法估计的最佳治疗方案。我们应用我们的方法来评估最佳的治疗方案,有条件的现金转移支付计划的国家,其中使用的数据,在其他国家的实验评估和预程序数据在感兴趣的国家产生的预测。
2019-07-22 stat.AP stat.ME
Targeted Smooth Bayesian Causal Forests: An analysis of heterogeneous treatment effects for simultaneous versus interval medical abortion regimens over gestation
我们介绍了目标平滑贝叶斯因果森林(tsBCF),一种非参数贝叶斯方法,用于估计异质性处理效应,这些效应在观察数据设置中的单个协变量上平滑变化。tsBCF方法通过使用平滑函数对终端树节点进行参数化来诱导平滑,并允许对对照协变量的处理效应与预后效应进行单独的正则化。可以选择用于预后和处理效应的平滑参数以反映先验知识或以数据依赖的方式进行调整。我们使用tsBCF来分析一种新的早期药物流产的临床方案。我们的目的是评估相对有效性的同时与间隔管理米非司酮和米索前列醇在怀孕的前9周。该模型反映了我们的预期,即相对有效性在妊娠期平稳变化,但不一定超过其他协变量。我们展示了性能的tsBCF方法的基准测试实验。可在https://github.com/jestarling/tsbcf/上获得tsBCF软件。
2020-02-23 stat.AP
Entropy Balancing for Continuous Treatments
本文通过扩展Hainmüller(2012)的原始熵平衡方法,介绍了连续治疗的熵平衡(EBCT)。为了估计平衡权重,所提出的方法解决了一个全局凸约束优化问题。EBCT权重可靠地消除协变量和连续治疗变量之间的Pearson相关性。即使当基于广义倾向评分的其他方法由于对不同治疗强度的强选择而倾向于产生不充分的平衡时,情况也是如此。此外,优化过程更成功地避免了极端的重量附加到一个单一的单位。广泛的蒙特卡罗模拟表明,使用EBCT的处理效应估计值显示出相似或较低的偏倚和均匀较低的均方根误差。这些特性使EBCT成为一种有吸引力的连续治疗评价方法。
2020-05-28 econ.EM stat.ME
Identification in Nonparametric Models for Dynamic Treatment Effects
本文开发了一个非参数模型,代表了如何在一个动态的方式相互影响的结果和治疗选择的序列。在这种情况下,我们感兴趣的是确定在每个阶段的个人的平均结果,有一个特定的治疗序列被分配。该量的识别允许我们识别平均处理效应(ATE)和关于转变的ATE,以及最佳处理方案,即,使平均潜在结果的(加权)和最大化的方案,可能更少的处理成本。本文的主要贡献是放松序列随机化假设广泛使用的生物统计学文献中引入一个灵活的选择理论框架的内源性治疗序列。我们表明,感兴趣的参数下确定每个时期的双向排除限制,即,结果确定过程中排除了工具,治疗选择过程中排除了其他外生变量。我们还考虑部分识别的情况下,后者的变量是不可用的。最后,我们将我们的结果扩展到一个设置,治疗不出现在每个时期。
2019-01-14 econ.EM stat.AP stat.ME
As Good as it Gets: Bounds for Oracle Time-Varying Treatment Strategies
本文将因果推断中个体化治疗规则的表现界研究扩展至时变设定,推导了基于未观测潜在结果的先知策略的精确界,覆盖二元与连续结局,并探讨连续潜在结果CDF的界。
2026-08-05 math.ST stat.TH
Evaluating and Learning Optimal Dynamic Treatment Regimes under Truncation by Death
针对重症监护中截断死亡导致传统DTR评估失效的问题,提出基于主分层的方法,聚焦始终存活者价值函数,推导半参数有效、多重稳健的估计量,实证验证其用于个性化治疗优化的效用。
2025-10-08 cs.LG stat.ME stat.ML
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
Estimating Bayesian Optimal Treatment Regimes for Dichotomous Outcomes using Observational Data
最佳治疗方案(OTR)是个体化治疗分配策略,在给定个体所有可用背景信息的情况下,将医学治疗确定为最佳。我们讨论贝叶斯最优治疗方案估计使用的损失函数定义的二元分布的二分潜在的结果。所提出的方法允许考虑OTR的比预期结果的最大化更一般的目标(例如,生存概率),例如考虑不必要的治疗负担。作为一个激励性的例子,我们考虑口咽癌治疗的情况下,由于化疗不必要的负担是要避免,同时最大限度地提高生存机会。假设可验证的治疗分配,我们描述了关于OTR的贝叶斯推断,包括对潜在结局未观察到的部分相关性的敏感性分析。我们评估的方法,应用贝叶斯参数和更灵活的非参数结果模型的模拟。拟议的口咽癌OTR将更繁重的化疗分配频率降低了约75%,而不会降低平均生存概率。因此,该方案大大提高了患者的预期生活质量。
2018-09-28 stat.ME stat.ML
Medical Knowledge Integration into Reinforcement Learning Algorithms for Dynamic Treatment Regimes
本文围绕动态治疗方案中的强化学习应用,梳理其数学基础与临床情境,并总结通过集成医学专业知识提升治疗建议可信度和有效性的方法。
2025-06-06 stat.ME stat.ML
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
Constructing Dynamic Treatment Regimes in Infinite-Horizon Settings
应用现有的方法构建最佳的动态治疗方案是有限的情况下,调查人员有兴趣在一个固定的时间段(有限的地平线)优化效用函数。在这篇手稿中,我们开发了一个推理程序的基础上的时间差残差的最佳动态治疗方案在无限的地平线设置,没有先验的固定结束的后续点。所提出的方法可用于确定慢性疾病的最佳方案,其中患者在其一生中接受监测和治疗。我们推导出进行推理所需的大样本结果。我们还模拟了一组糖尿病患者,以模仿国家健康和营养检查调查的第三波,我们研究了所提出的方法在控制血红蛋白A1c水平方面的性能。本文的补充材料可在线获取。
2015-10-21 stat.ME stat.ML
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
Targeted Optimal Treatment Regime Learning Using Summary Statistics
个性化决策,旨在根据个人特征获得最佳治疗方案,近年来在许多领域,如医学,社会服务和经济学中引起了越来越多的关注。目前的文献主要集中在估计治疗方案从一个单一的来源人口。在实际应用中,目标种群的分布可能与源种群的分布不同。因此,通过现有方法学习的治疗方案可能无法很好地推广到目标人群。由于隐私问题和其他实际问题,目标人群的个人水平数据往往不可用,这使得治疗方案学习更具挑战性。我们考虑的治疗方案估计的问题时,源和目标人群可能是异质性的,个人水平的数据是从源人口,只有汇总信息的协变量,如时刻,是从目标人口。我们开发了一个加权框架,通过利用现有的汇总统计数据为给定的目标人群量身定制治疗方案。具体而言,我们提出了一个校准的增广逆概率加权估计的目标人群的价值函数,并估计最佳的治疗方案,通过最大化这类预先指定的制度内的估计。我们表明,建议的校准估计是一致的,渐近正常的,即使灵活的半/非参数模型的滋扰函数近似,和方差的值估计可以一致估计。我们证明了所提出的方法的经验性能,使用模拟研究和实际应用的eICU数据集作为源样本和MIMIC-III数据集作为目标样本。
2023-02-26 stat.AP stat.ME stat.ML
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
Latent Utility Q-Learning for Preference-Adaptive Dynamic Treatment Regimes
Department of Biostatistics UNC Chapel Hill(生物统计学系,北卡罗来纳大学教堂山分校);Department of Clinical Pharmacy UCSF(临床药学系,旧金山大学)
该研究针对DTR方法无法处理多竞争结果权衡的问题,提出LUQ-Learning,通过条件均值分解解耦偏好估计与结果回归,经SMARTs模拟验证其性能优于多种对比方法。
2026-08-07 cs.LG stat.ME stat.ML
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
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
Simulation-Based Sensitivity Analysis in Optimal Treatment Regimes and Causal Decomposition with Individualized Interventions
University of California, Riverside(加州大学河滨分校);University of Central Florida(中佛罗里达大学)
针对最优治疗方案中二元风险因素的遗漏混杂问题,提出基于仿真的敏感性分析方法和正式边界策略,以量化未测量混杂因素强度并校正个体化效应估计偏差。
2025-09-12 cs.LG stat.ME stat.ML
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
On Estimation of Optimal Treatment Regimes For Maximizing t-Year Survival Probability
治疗方案是基于患者的个体预后信息指示个性化治疗的确定性函数。人们对寻找最佳治疗方案以最大限度地提高癌症和艾滋病等复杂疾病患者的预期长期临床结果的兴趣正在迅速增长。对于许多以生存时间作为主要终点的临床研究,主要目标是在给定治疗的情况下最大化患者的生存概率。在这篇文章中,我们首先提出了两个非参数估计的生存函数的患者以下一个给定的治疗方案。然后,我们推导出估计的最佳治疗方案的基础上基于值的搜索算法内的一组治疗方案索引的参数。在适当的正则性条件下,建立了导出的最优治疗方案下生存概率的估计量的渐近性质。模拟进行评估的数值性能的建议估计在各种情况下。最后以一个艾滋病临床试验数据为例说明了该方法的应用.
2014-07-29 math.ST stat.ME stat.TH
Adaptive Semi-Supervised Inference for Optimal Treatment Decisions with Electronic Medical Record Data
治疗方案是根据患者的协变量信息为患者分配治疗的规则。最近,估计最佳治疗方案,产生最大的整体预期临床结果的利益已经吸引了很多关注。在这项工作中,我们考虑估计的最佳治疗方案与电子病历数据下的半监督设置。在这里,数据由两部分组成:一组“标记”患者,我们有协变量,治疗和结果信息,以及一组更大的“未标记”患者,我们只有协变量信息。我们提出了一种基于估算的半监督方法,利用“未标记”的个人,以获得更有效的估计的最佳治疗方案。所提出的估计和相关的推理过程的渐近性质。进行模拟研究,以评估所提出的方法的经验性能,并与一个完全监督的方法,只使用标记的数据进行比较。一个应用程序的电子医疗记录数据集上的治疗重症监护病房(ICU)停留期间的呕吐发作也给出了进一步说明。
2022-03-04 stat.ME stat.ML
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
Estimating Individualized Treatment Regimes from Crossover Designs
University of North Carolina(北卡罗来纳大学);University of Southern California(南加利福尼亚大学);University of Texas at Austin(得克萨斯大学奥斯汀分校)
精准医学领域的目标是以可重复的方式根据患者特定因素定制治疗。为此,估计最佳的个性化治疗方案(ITR),建议治疗决定的基础上,患者的特点,以最大限度地提高一个预先指定的结果的平均值是特别感兴趣的。已经提出了几种方法,用于根据平行组设置中的临床试验数据估计最佳ITR,其中每例受试者被随机分配至单一干预。然而,在交叉研究设计中估计最佳ITR方面的工作很少。这样的设计自然有助于精准医疗,因为它们允许观察每个患者对多种治疗的反应。在本文中,我们介绍了一种方法来估计最佳ITR使用的数据从2x2交叉研究有或没有结转效应。所提出的方法类似于策略搜索方法,如结果加权学习;然而,我们利用交叉设计,通过使用每个处理下的响应差异作为观察到的奖励。我们建立Fisher和全球的一致性,目前的数值实验,并分析数据的喂养试验,以证明所提出的方法相比,标准方法的并行研究设计的改进性能。
2019-02-05 cs.LG stat.AP stat.ME
Multicategory Angle-based Learning for Estimating Optimal Dynamic Treatment Regimes with Censored Data
最佳动态治疗方案(DTR)由一系列决策规则组成,这些规则可以最大限度地提高长期效益,适用于慢性疾病,如艾滋病毒感染或癌症。在本文中,我们开发了一种新的角度为基础的方法来搜索最佳DTR下的多类别治疗框架的生存数据。所提出的方法的目标是最大化DTR后患者的条件生存函数。与大多数现有的方法,旨在最大限度地提高预期的生存时间下的二进制处理框架,所提出的方法解决了多个阶段的删失数据的多类别的治疗问题。具体而言,该方法通过在多个阶段将决策规则的估计集成到单个多类别分类算法中来获得最优DTR,而不施加额外的约束,这也是计算效率更高和鲁棒性更强的。在理论上,我们建立了所提出的方法在正则条件下的Fisher相合性。我们的数值研究表明,所提出的方法优于竞争的方法在最大化的条件生存函数。我们将所提出的方法应用到两个真实的数据集:心脏衰竭研究数据和获得性免疫缺陷综合征(艾滋病)的临床数据。
2020-01-14 stat.ME stat.ML
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
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