論文の概要: Policy Learning with Observational Data: The Case of Hepatitis C Treatment for HIV/HCV Co-Infected Patients

• arxiv url: http://arxiv.org/abs/2605.16593v1
• Date: Fri, 15 May 2026 19:56:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:46.719041
• Title: Policy Learning with Observational Data: The Case of Hepatitis C Treatment for HIV/HCV Co-Infected Patients
• Title（参考訳）: 観察データを用いた政策学習 : HIV/HCV共感染患者のC型肝炎治療例
• Authors: Raphaël Langevin,
• Abstract要約: 結果を改善するために、政策立案者は、しばしばそのような選択を通知するための政策ルールやガイドラインを発行する。 マルチアクション・フレームワークにおける観察データから政策ルールを総合的に導出する方法を示します。 提案手法はHIV/HCV共感染患者の管理のためのデータ駆動治療ガイドラインを改善できる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Decision-makers frequently must choose a single action from a finite set of alternatives -- for example, physicians selecting a treatment, investors choosing a portfolio risk level, or judges determining sentences. To improve outcomes, policymakers often issue policy rules or guidelines to inform such choices. In this paper, I show how to generally derive policy rules from observational data in a multi-action framework under relatively weak assumptions about the underlying structure of the heterogeneous sampled population. Conditional average treatment effects (CATEs) are consistently estimated via a weighted K-means algorithm, assuming the outcome model is correctly specified within each homogeneous subgroup. Feasible policy rules are then implemented via a standard decision tree, allowing for both perfect and imperfect adherence to treatment. The methodology is applied to treatment options for Hepatitis C (HCV) among patients co-infected with human immunodeficiency virus (HIV), a setting in which no uniform guideline exists for modern pharmaceutical therapies. The results identify a subgroup of patients with approximately an 80% probability of spontaneous HCV clearance without treatment. Estimation results also show that reallocating treatments among treated individuals could have reduced total treatment costs by CAN$3.6-4.9 million while still increasing aggregate health benefits relative to the status quo. These findings demonstrate that the proposed approach can generate improved, data-driven treatment guidelines for the management of HIV/HCV co-infected patients.
• Abstract（参考訳）: 意思決定者は、治療を選択する医師、ポートフォリオリスクレベルを選択する投資家、あるいは文章を決定する判断など、限られた選択肢から単一のアクションを選択する必要がある。 結果を改善するために、政策立案者は、しばしばそのような選択を通知するための政策ルールやガイドラインを発行する。 本稿では,異種集団の基盤構造について,比較的弱い仮定の下で,多行動枠組みの観測データから政策ルールを総合的に導出する方法を示す。 条件平均処理効果(CATE)は、各同種サブグループ内で結果モデルが正しく特定されていることを前提として、重み付きK平均アルゴリズムによって一貫して推定される。 有効なポリシールールは、標準決定木を介して実装され、治療に対する完全かつ不完全な順守が可能である。 ヒト免疫不全ウイルス(HIV)に感染した患者のC型肝炎(HCV)の治療オプションに適用した。 その結果, 自発性HCVクリアランスの約80%の確率で治療を受けない患者のサブグループを同定した。 また、治療対象者の再配置による治療費用はCAN$3.6-4.9M(3.6～4.9M)に削減される可能性も示唆された。 これらの結果から,HIV/HCV共感染患者に対する治療ガイドラインの改善が期待できると考えられた。

関連論文リスト

• Doubly Robust Fusion of Many Treatments for Policy Learning [7.943530359935207]
  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。
  論文  参考訳（メタデータ） (2025-05-12T21:55:57Z)
• 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)
• Estimating treatment effects from single-arm trials via latent-variable modeling [14.083487062917085]
  すべての患者が治療グループに属しているシングルアーム臨床試験は、有効な代替手段であるが、外部コントロールグループへのアクセスが必要である。 このシナリオに対して、同定可能なディープ潜在変数モデルを提案する。 その結果, 直接治療効果評価と患者マッチングによる効果評価の両面で, 性能が向上した。
  論文  参考訳（メタデータ） (2023-11-06T10:12:54Z)
• Evaluating COVID-19 vaccine allocation policies using Bayesian $m$-top exploration [39.47724912690087]
  マルチアーム・バンディット・フレームワークを用いてワクチンのアロケーション戦略を評価する新しい手法を提案する。 $m$-top Exploringにより、アルゴリズムは最高のユーティリティを期待する$m$ポリシーを学ぶことができる。 我々は,個別モデルSTRIDEを用いてベルギーのCOVID-19流行を考察し,感染数や入院回数を最小限に抑える予防接種方針のセットを学習した。
  論文  参考訳（メタデータ） (2023-01-30T12:22:30Z)
• Reinforcement Learning with Heterogeneous Data: Estimation and Inference [84.72174994749305]
  人口の不均一性に関する逐次的決定問題に対処するために,K-ヘテロ・マルコフ決定過程(K-ヘテロ・MDP)を導入する。 本稿では、ある政策の価値を推定するための自己クラスタ化政策評価(ACPE)と、ある政策クラスにおける最適な政策を推定するための自己クラスタ化政策イテレーション(ACPI)を提案する。 理論的な知見を裏付けるシミュレーションを行い,MIMIC-III標準データセットの実証的研究を行った。
  論文  参考訳（メタデータ） (2022-01-31T20:58:47Z)
• A standardized framework for risk-based assessment of treatment effect heterogeneity in observational healthcare databases [60.07352590494571]
  本研究の目的は,この手法を標準化されたスケーラブルなフレームワークを用いて観測環境に拡張することであった。 アンジオテンシン変換酵素阻害薬(ACE)とβ阻害薬の3つの効果と6つの安全性に対する効果を評価することにより,我々の枠組みを実証する。
  論文  参考訳（メタデータ） (2020-10-13T14:48:31Z)
• 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)
• 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)

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。