論文の概要: Kernel Assisted Learning for Personalized Dose Finding

• arxiv url: http://arxiv.org/abs/2007.09811v1
• Date: Sun, 19 Jul 2020 23:03:26 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-09 00:42:44.186537
• Title: Kernel Assisted Learning for Personalized Dose Finding
• Title（参考訳）: パーソナライズド線量探索のためのカーネル支援学習
• Authors: Liangyu Zhu, Wenbin Lu, Michael R. Kosorok, Rui Song
• Abstract要約: 個別化線量規則は、患者レベル情報に基づいて、連続した安全な線量範囲内の線量レベルを推奨する。 本稿では,最適な個別化線量規則を推定するためのカーネル支援学習法を提案する。
• 参考スコア（独自算出の注目度）: 20.52632915107782
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: An individualized dose rule recommends a dose level within a continuous safe dose range based on patient level information such as physical conditions, genetic factors and medication histories. Traditionally, personalized dose finding process requires repeating clinical visits of the patient and frequent adjustments of the dosage. Thus the patient is constantly exposed to the risk of underdosing and overdosing during the process. Statistical methods for finding an optimal individualized dose rule can lower the costs and risks for patients. In this article, we propose a kernel assisted learning method for estimating the optimal individualized dose rule. The proposed methodology can also be applied to all other continuous decision-making problems. Advantages of the proposed method include robustness to model misspecification and capability of providing statistical inference for the estimated parameters. In the simulation studies, we show that this method is capable of identifying the optimal individualized dose rule and produces favorable expected outcomes in the population. Finally, we illustrate our approach using data from a warfarin dosing study for thrombosis patients.
• Abstract（参考訳）: 個人化された線量規則は、身体状態、遺伝因子、薬歴などの患者レベル情報に基づいて、連続した安全線量範囲内の線量レベルを推奨する。 伝統的に、パーソナライズされた線量検出プロセスは、患者の臨床訪問を繰り返すことと、服用量の頻繁な調整を必要とする。 したがって、患者はプロセス中に下水や過剰摂取のリスクに常にさらされる。 最適な個別化用量規則を見つけるための統計的手法は、患者のコストとリスクを下げる。 本稿では,最適な個人化線量規則を推定するためのカーネル支援学習手法を提案する。 提案手法は他のすべての継続的な意思決定問題にも適用できる。 提案手法の利点は,モデル誤特定に対するロバスト性,推定パラメータの統計的推論能力などである。 シミュレーション研究において,本手法は最適な個人別線量規則を同定でき,個体群において良好な期待結果が得られることを示す。 最後に, 血栓症患者に対するワーファリン服用研究のデータを用いたアプローチについて述べる。

関連論文リスト

• Likelihood Ratio Confidence Sets for Sequential Decision Making [51.66638486226482]
  確率に基づく推論の原理を再検討し、確率比を用いて妥当な信頼シーケンスを構築することを提案する。 本手法は, 精度の高い問題に特に適している。 提案手法は,オンライン凸最適化への接続に光を当てることにより,推定器の最適シーケンスを確実に選択する方法を示す。
  論文  参考訳（メタデータ） (2023-11-08T00:10:21Z)
• The R.O.A.D. to precision medicine [5.877778007271621]
  本稿ではランダム化試行データサブグループ解析の欠陥に対処する確率的層間マッチングフレームワークを提案する。 我々は,消化管間質性腫瘍(GIST)の観察データに枠組みを適用し,外部コホートでOPTを検証した。
  論文  参考訳（メタデータ） (2023-11-03T03:08:15Z)
• Safe and Interpretable Estimation of Optimal Treatment Regimes [54.257304443780434]
  我々は、最適な治療体制を特定するための安全かつ解釈可能な枠組みを運用する。 本研究は患者の医療歴と薬理学的特徴に基づくパーソナライズされた治療戦略を支援する。
  論文  参考訳（メタデータ） (2023-10-23T19:59:10Z)
• Reliable Off-Policy Learning for Dosage Combinations [27.385663284378854]
  パーソナライズド医療における意思決定は、しばしば服薬の組み合わせを選択する必要がある。 ドセージ・コンビネーションのための信頼性の高いオフ・ポリティクス学習手法を提案する。
  論文  参考訳（メタデータ） (2023-05-31T11:08:43Z)
• Learning-Based sensitivity analysis and feedback design for drug delivery of mixed therapy of cancer in the presence of high model uncertainties [0.0]
  ダッシュボードは、結果の確率と関連する薬物使用量を減少状態空間のアイソ値曲線として要約した最も流動的な状態成分の2次元空間に構築可能であることが示されている。 ダッシュボードは、結果の確率と関連する薬物使用量を減少状態空間のアイソ値曲線として要約した最も流動的な状態成分の2次元空間に構築可能であることが示されている。
  論文  参考訳（メタデータ） (2022-05-16T07:08:50Z)
• Policy Learning for Optimal Individualized Dose Intervals [3.9801611649762263]
  このような政策を推定する新しい手法を提案する。 推定された政策は一貫しており、そのリスクはルートnレートで最良クラスの政策に収束する。
  論文  参考訳（メタデータ） (2022-02-24T17:59:20Z)
• Optimal discharge of patients from intensive care via a data-driven policy learning framework [58.720142291102135]
  退院課題は、退院期間の短縮と退院決定後の退院や死亡のリスクとの不確実なトレードオフに対処することが重要である。 本研究は、このトレードオフを捉えるためのエンドツーエンドの汎用フレームワークを導入し、最適放電タイミング決定を推奨する。 データ駆動型アプローチは、患者の生理的状態を捉えた同種で離散的な状態空間表現を導出するために用いられる。
  論文  参考訳（メタデータ） (2021-12-17T04:39:33Z)
• Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
  臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。 退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。 複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
  論文  参考訳（メタデータ） (2021-02-08T10:26:44Z)
• Increasing the efficiency of randomized trial estimates via linear adjustment for a prognostic score [59.75318183140857]
  ランダム化実験による因果効果の推定は臨床研究の中心である。 歴史的借用法のほとんどは、厳格なタイプiエラー率制御を犠牲にして分散の削減を達成する。
  論文  参考訳（メタデータ） (2020-12-17T21:10:10Z)
• Reinforcement learning and Bayesian data assimilation for model-informed precision dosing in oncology [0.0]
  現在の戦略はモデルインフォームドドッキングテーブルで構成されている。 ベイジアンデータ同化と/または強化学習を併用したMIPDのための新しい3つのアプローチを提案する。 これらのアプローチは、致命的グレード4と治療下グレード0のニュートロピーの発生を著しく減少させる可能性がある。
  論文  参考訳（メタデータ） (2020-06-01T16:38:27Z)
• Contextual Constrained Learning for Dose-Finding Clinical Trials [102.8283665750281]
  C3T-Budget(C3T-Budget)は、予算と安全性の両方の制約の下での線量フィリングのための文脈制約付き臨床試験アルゴリズムである。 残りの予算、残業時間、各グループの特徴を考慮して患者を募集する。
  論文  参考訳（メタデータ） (2020-01-08T11:46:48Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。