論文の概要: CAPITAL: Optimal Subgroup Identification via Constrained Policy Tree
Search
- arxiv url: http://arxiv.org/abs/2110.05636v1
- Date: Mon, 11 Oct 2021 22:41:07 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-13 13:45:06.194540
- Title: CAPITAL: Optimal Subgroup Identification via Constrained Policy Tree
Search
- Title（参考訳）: CAPITAL: 制約木探索による最適部分群同定
- Authors: Hengrui Cai, Wenbin Lu, Rachel Marceau West, Devan V. Mehrotra, and
Lingkang Huang
- Abstract要約: 臨床的に有意義なサブグループ学習アプローチでは、より良い治療の恩恵を受けることができる患者の最大数を特定する必要がある。
選択した患者数を最大化する最適サブグループ選択規則(SSR)を提案する。
解析可能な決定木クラスの中で最適なSSRを求めるために,ConstrAined PolIcy Tree seArch aLgorithmを提案する。
- 参考スコア（独自算出の注目度）: 10.961093227672398
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Personalized medicine, a paradigm of medicine tailored to a patient's
characteristics, is an increasingly attractive field in health care. An
important goal of personalized medicine is to identify a subgroup of patients,
based on baseline covariates, that benefits more from the targeted treatment
than other comparative treatments. Most of the current subgroup identification
methods only focus on obtaining a subgroup with an enhanced treatment effect
without paying attention to subgroup size. Yet, a clinically meaningful
subgroup learning approach should identify the maximum number of patients who
can benefit from the better treatment. In this paper, we present an optimal
subgroup selection rule (SSR) that maximizes the number of selected patients,
and in the meantime, achieves the pre-specified clinically meaningful mean
outcome, such as the average treatment effect. We derive two equivalent
theoretical forms of the optimal SSR based on the contrast function that
describes the treatment-covariates interaction in the outcome. We further
propose a ConstrAined PolIcy Tree seArch aLgorithm (CAPITAL) to find the
optimal SSR within the interpretable decision tree class. The proposed method
is flexible to handle multiple constraints that penalize the inclusion of
patients with negative treatment effects, and to address time to event data
using the restricted mean survival time as the clinically interesting mean
outcome. Extensive simulations, comparison studies, and real data applications
are conducted to demonstrate the validity and utility of our method.
- Abstract（参考訳）: パーソナライズドメディカル(Personalized Medicine)は、患者の特徴に合わせた医療のパラダイムであり、医療分野でますます魅力的な分野となっている。
パーソナライズドメディカルの重要な目標は、他の比較治療よりも標的治療の恩恵を受けるベースライン共変量に基づく患者のサブグループを特定することである。
現在のサブグループ識別手法のほとんどは、サブグループサイズに注意を払わずに、治療効果が強化されたサブグループを得ることにのみ焦点を合わせている。
しかし、臨床的に有意義なサブグループ学習アプローチは、より良い治療の恩恵を受ける患者の最大数を特定するべきである。
本稿では,選択された患者数を最大化する最適なサブグループ選択ルール(ssr)を提案する。
最適なssrの2つの等価な理論形式を、結果における処理-共変相互作用を記述するコントラスト関数に基づいて導出する。
さらに,制約付きポリシツリー探索アルゴリズム(capital)を提案し,解釈可能な決定木クラス内で最適なssrを求める。
提案手法は, 陰性治療効果を有する患者の包含を罰する複数の制約に対処し, 臨床的に興味深い平均生存時間として制限平均生存時間を用いてイベントデータに対処する。
本手法の有効性と有用性を示すため, 大規模なシミュレーション, 比較研究, 実データ応用を行った。
関連論文リスト
- A Flexible Framework for Incorporating Patient Preferences Into
Q-Learning [1.2891210250935146]
現実の医療問題では、治療効果や副作用の重症度など、多くの競合する結果がしばしば存在する。
動的治療体制(DTR)を推定するための統計的手法は、通常、単一の関心の結果を仮定する。
これには、単一時点の制限と2つの結果、自己報告された患者の嗜好を組み込むことができないこと、理論的な保証が制限されていることが含まれる。
論文 参考訳（メタデータ） (2023-07-22T08:58:07Z) - TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic
Tree-Based Memory Network [54.332862955411656]
臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。
近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。
本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
論文 参考訳（メタデータ） (2023-07-19T12:35:09Z) - Efficient and robust transfer learning of optimal individualized
treatment regimes with right-censored survival data [7.308241944759317]
個別治療体制(英: individualized treatment regime、ITR)は、患者の特徴に基づいて治療を割り当てる決定規則である。
本稿では、値関数の2倍頑健な推定器を提案し、その最適ITRは、予め指定されたIRRのクラス内の値関数を最大化することにより学習する。
重篤なメタボリックアシダ血症に対するバイカーボネートナトリウム療法のシミュレーションおよび実データによる評価を行った。
論文 参考訳（メタデータ） (2023-01-13T11:47:10Z) - Sample Constrained Treatment Effect Estimation [28.156207324508706]
我々は,効率的なランダム化制御試験を設計することに集中し,治療の効果を正確に見積もる。
特に, サンプル制約による治療効果の推定について検討し, 実験を行うには, 集団から$s ll n$のサブセットを選択する必要がある。
論文 参考訳（メタデータ） (2022-10-12T21:13:47Z) - Adaptive Identification of Populations with Treatment Benefit in
Clinical Trials: Machine Learning Challenges and Solutions [78.31410227443102]
確定的臨床試験において,特定の治療の恩恵を受ける患者サブポピュレーションを適応的に同定する問題について検討した。
サブポピュレーション構築のためのメタアルゴリズムであるAdaGGIとAdaGCPIを提案する。
論文 参考訳（メタデータ） (2022-08-11T14:27:49Z) - Median Optimal Treatment Regimes [7.241149193573696]
コンディショナーが治療中よりも高い個人を治療する新しいメディアン最適治療体制を提案します。
これにより、同じグループの個人に対する最適な決定が、グループのごく一部に過度に影響されないことが保証される。
本稿では,政策の全体的中央値処理結果を要約した新しい評価尺度ACME(Average Conditional Median Effect)を紹介する。
論文 参考訳（メタデータ） (2021-03-02T15:26:20Z) - Robust Recursive Partitioning for Heterogeneous Treatment Effects with
Uncertainty Quantification [84.53697297858146]
治療効果のサブグループ分析は、医療から公共政策、レコメンデーターシステムへの応用において重要な役割を担っている。
サブグループ分析の現在の手法のほとんどは、個別化処理効果(ITE)を推定するための特定のアルゴリズムから始まる。
本稿では、これらの弱点に対処する新しい部分群解析法R2Pを開発する。
論文 参考訳（メタデータ） (2020-06-14T14:50:02Z) - Predictive Modeling of ICU Healthcare-Associated Infections from
Imbalanced Data. Using Ensembles and a Clustering-Based Undersampling
Approach [55.41644538483948]
本研究は,集中治療室における危険因子の同定と医療関連感染症の予測に焦点をあてる。
感染発生率の低減に向けた意思決定を支援することを目的とする。
論文 参考訳（メタデータ） (2020-05-07T16:13:12Z) - DTR Bandit: Learning to Make Response-Adaptive Decisions With Low Regret [59.81290762273153]
動的治療体制 (DTR) はパーソナライズされ適応された多段階の治療計画であり、治療決定を個人の初期特徴に適応させ、その後の各段階における中間結果と特徴に適応させる。
本稿では,探索と搾取を慎重にバランスさせることで,遷移モデルと報酬モデルが線形である場合に,速度-最適後悔を実現する新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-05-06T13:03:42Z) - Generalization Bounds and Representation Learning for Estimation of
Potential Outcomes and Causal Effects [61.03579766573421]
代替薬に対する患者一人の反応など,個人レベルの因果効果の推定について検討した。
我々は,表現の誘導的処理群距離を正規化することにより,境界を最小化する表現学習アルゴリズムを考案した。
これらのアルゴリズムを拡張して、重み付き表現を同時に学習し、治療群距離をさらに削減する。
論文 参考訳（メタデータ） (2020-01-21T10:16:33Z) - Multicategory Angle-based Learning for Estimating Optimal Dynamic
Treatment Regimes with Censored Data [12.499787110182632]
最適な治療体制(DTR)は、長期的な利益を最大化するための一連の決定規則から構成される。
本稿では,マルチカテゴリ処理フレームワークを用いて,最適DTRをターゲットとした新しい角度ベースアプローチを提案する。
本稿では,条件付き生存関数の最大化の観点から,提案手法が競合手法より優れていることを示す。
論文 参考訳（メタデータ） (2020-01-14T05:19:15Z)
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。