論文の概要: Evaluating and Learning Optimal Dynamic Treatment Regimes under Truncation by Death

• arxiv url: http://arxiv.org/abs/2510.07501v1
• Date: Wed, 08 Oct 2025 19:54:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-10 17:54:14.707898
• Title: Evaluating and Learning Optimal Dynamic Treatment Regimes under Truncation by Death
• Title（参考訳）: トランケーションによる最適動的治療基準の評価と学習
• Authors: Sihyung Park, Wenbin Lu, Shu Yang,
• Abstract要約: そこで我々は,常に生存する値関数に着目した主成層法を提案する。 経験的検証と電子健康記録への応用は、パーソナライズされた治療最適化に有用であることを示す。
• 参考スコア（独自算出の注目度）: 8.607059765909865
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Truncation by death, a prevalent challenge in critical care, renders traditional dynamic treatment regime (DTR) evaluation inapplicable due to ill-defined potential outcomes. We introduce a principal stratification-based method, focusing on the always-survivor value function. We derive a semiparametrically efficient, multiply robust estimator for multi-stage DTRs, demonstrating its robustness and efficiency. Empirical validation and an application to electronic health records showcase its utility for personalized treatment optimization.
• Abstract（参考訳）: 死によるトラニケーションは、致命的なケアにおいて主要な課題であり、未定義の潜在的な結果のために従来の動的治療体制(DTR)の評価が適用不可能である。 そこで我々は,常に生存する値関数に着目した主成層法を提案する。 多段DTRに対する半パラメトリック効率・乗算ロバスト推定器を導出し,そのロバスト性と効率性を実証した。 経験的検証と電子健康記録への応用は、パーソナライズされた治療最適化に有用であることを示す。

関連論文リスト

• Censoring-Aware Tree-Based Reinforcement Learning for Estimating Dynamic Treatment Regimes with Censored Outcomes [4.877686100899469]
  Censoring-Aware Tree-Based Reinforcement Learning (CA-TRL)は、検閲データに関連する複雑さに対処する新しいフレームワークである。 本稿では,SANADエピレプシー・データセットを用いた広範囲なシミュレーションと実世界の応用を通して,その効果を実証する。
  論文  参考訳（メタデータ） (2025-03-09T16:53:09Z)
• Policy Learning for Optimal Dynamic Treatment Regimes with Observational Data [0.0]
  本研究では,各段階における最適な治療課題を決定する最適動的治療体制(DTR)の統計的学習について,その進化史に基づいて検討する。
  論文  参考訳（メタデータ） (2024-03-30T02:33:39Z)
• Doubly Robust Proximal Causal Learning for Continuous Treatments [56.05592840537398]
  本稿では,カーネルベースの2倍頑健な因果学習推定器を提案する。 オラクル形式は影響関数の一貫した近似であることを示す。 次に、平均二乗誤差の観点から総合収束解析を行う。
  論文  参考訳（メタデータ） (2023-09-22T12:18:53Z)
• Pruning the Way to Reliable Policies: A Multi-Objective Deep Q-Learning Approach to Critical Care [46.2482873419289]
  我々は、より信頼性の高いクリティカルケアポリシーを得るための深いQ-ラーニングアプローチを導入する。 本手法を,集中治療室のシミュレーション環境と実際の健康記録を用いて,オフライン・オフ・セッティングで評価した。
  論文  参考訳（メタデータ） (2023-06-13T18:02:57Z)
• Assessment of Treatment Effect Estimators for Heavy-Tailed Data [70.72363097550483]
  ランダム化制御試験(RCT)における治療効果の客観的評価における中心的な障害は、その性能をテストするための基礎的真理(または検証セット)の欠如である。 この課題に対処するための新しいクロスバリデーションのような方法論を提供する。 本手法は,Amazonサプライチェーンに実装された709RCTに対して評価を行った。
  論文  参考訳（メタデータ） (2021-12-14T17:53:01Z)

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。