論文の概要: Doubly Robust Fusion of Many Treatments for Policy Learning

• arxiv url: http://arxiv.org/abs/2505.08092v1
• Date: Mon, 12 May 2025 21:55:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-14 20:57:54.348439
• Title: Doubly Robust Fusion of Many Treatments for Policy Learning
• Title（参考訳）: 政策学習のための多くの治療法の二重ロバスト融合
• Authors: Ke Zhu, Jianing Chu, Ilya Lipkovich, Wenyu Ye, Shu Yang,
• Abstract要約: 治療群間での共変量を安定的にバランスするキャリブレーション重み付き処理融合法を提案する。 我々は、一貫性、治療融合のオラクル特性、後悔境界を含む理論的保証を確立する。 本手法の実用性について,全国の電子健康記録由来の非識別データベースを用いて概説する。
• 参考スコア（独自算出の注目度）: 7.943530359935207
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Individualized treatment rules/recommendations (ITRs) aim to improve patient outcomes by tailoring treatments to the characteristics of each individual. However, when there are many treatment groups, existing methods face significant challenges due to data sparsity within treatment groups and highly unbalanced covariate distributions across groups. To address these challenges, we propose a novel calibration-weighted treatment fusion procedure that robustly balances covariates across treatment groups and fuses similar treatments using a penalized working model. The fusion procedure ensures the recovery of latent treatment group structures when either the calibration model or the outcome model is correctly specified. In the fused treatment space, practitioners can seamlessly apply state-of-the-art ITR learning methods with the flexibility to utilize a subset of covariates, thereby achieving robustness while addressing practical concerns such as fairness. We establish theoretical guarantees, including consistency, the oracle property of treatment fusion, and regret bounds when integrated with multi-armed ITR learning methods such as policy trees. Simulation studies show superior group recovery and policy value compared to existing approaches. We illustrate the practical utility of our method using a nationwide electronic health record-derived de-identified database containing data from patients with Chronic Lymphocytic Leukemia and Small Lymphocytic Lymphoma.
• Abstract（参考訳）: 個別治療規則/勧告 (ITRs) は、個々の患者の特徴に合わせて治療を調整することで、患者の成果を改善することを目的としている。 しかし、多くの治療群が存在する場合、既存の方法では、治療群内のデータ分散と、グループ間での高度にバランスの取れない共変量分布が原因で、重大な課題に直面している。 これらの課題に対処するために, ペナル化作業モデルを用いて, 処理群間の共分散を安定的にバランスさせ, 同様の処理を融合する, キャリブレーション重み付き処理融合法を提案する。 融合処理は、校正モデルまたは結果モデルのいずれかが正しく特定された場合に、潜伏処理群構造の回復を保証する。 融合処理の分野では、実践者は最先端のITR学習手法をシームレスに適用でき、その柔軟性により、共変量のサブセットを利用することができ、公平性などの実践的な懸念に対処しながら堅牢性を達成することができる。 我々は、ポリシーツリーのような多武装ITR学習手法と統合した場合、一貫性、治療融合のオラクル特性、後悔境界などの理論的保証を確立する。 シミュレーション研究は、既存のアプローチと比較してグループリカバリと政策価値が優れていることを示している。 慢性リンパ性白血病および小リンパ性リンパ腫患者のデータを含む,全国の電子健康記録由来の鑑別データベースを用いて,本手法の実用性について述べる。

関連論文リスト

• Towards Regulatory-Confirmed Adaptive Clinical Trials: Machine Learning Opportunities and Solutions [59.28853595868749]
  本研究は,全人口と低給付人口の規制制約と治療方針値を統合した将来の臨床試験の新たな2つの目的を紹介する。 我々は、第III相臨床試験を設計するための新しい枠組みであるRFAN(Randomize First Augment Next)を定式化する。 我々のフレームワークは、標準的なランダム化コンポーネントと適応コンポーネントから構成されており、臨床試験中に患者を効率よく安全に獲得し、患者を治療アームに割り当てることを目的としている。
  論文  参考訳（メタデータ） (2025-03-12T10:17:54Z)
• Comparison of Methods that Combine Multiple Randomized Trials to Estimate Heterogeneous Treatment Effects [0.1398098625978622]
  複数のランダム化制御試験を活用することで、データセットと未確立の処理割り当ての組み合わせが可能になる。 本稿では,複数試行データを用いて不均一な治療効果を推定するための非パラメトリックなアプローチについて述べる。
  論文  参考訳（メタデータ） (2023-03-28T20:43:00Z)
• Robust and Agnostic Learning of Conditional Distributional Treatment Effects [62.44901952244514]
  条件平均治療効果(CATE)は、個々の因果効果の最適点予測である。 集約分析では、通常は分布処理効果(DTE)の測定によって対処される。 我々は,多種多様な問題に対して条件付きDTE(CDTE)を学習するための,新しい堅牢でモデルに依存しない手法を提供する。
  論文  参考訳（メタデータ） (2022-05-23T17:40:31Z)
• Representation Learning for Integrating Multi-domain Outcomes to Optimize Individualized Treatments [6.505217121471555]
  精神疾患の場合、患者の基礎となる精神状態は、観察された測定結果から推測されなければならない、保存されていない潜在的構成物である。 本稿では,患者の精神状態を同時に学習し,各個人に対して最適な治療を推奨する統合学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-10-30T20:30:31Z)
• MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
  本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。 我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。 我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
  論文  参考訳（メタデータ） (2020-10-08T15:30:17Z)
• Learning Individualized Treatment Rules with Estimated Translated Inverse Propensity Score [29.606141542532356]
  本稿では、個別化された治療規則(ITR)を学習して治療方針を導出することに焦点を当てる。 本フレームワークでは,ITRの学習を文脈的盗聴問題とみなし,治療方針の予測リスクを最小限に抑える。 長期的目標として、当社の方針は、最終的にはIVおよびVPの治験ガイドラインの改善につながる可能性がある。
  論文  参考訳（メタデータ） (2020-07-02T13:13:56Z)
• 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)
• Estimating Counterfactual Treatment Outcomes over Time Through Adversarially Balanced Representations [114.16762407465427]
  時間とともに治療効果を推定するためにCRN(Counterfactual Recurrent Network)を導入する。 CRNは、患者履歴のバランスの取れた表現を構築するために、ドメイン敵のトレーニングを使用する。 本モデルでは, 正解率の予測と適切な治療時期の選択において, 誤差の低減を図っている。
  論文  参考訳（メタデータ） (2020-02-10T20:47:36Z)
• 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。