論文の概要: Risk-Aware Quantile Learning for Personalized Dynamic Treatment Regimes

• arxiv url: http://arxiv.org/abs/2608.05434v1
• Date: Wed, 05 Aug 2026 22:04:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-07 15:25:20.791451
• Title: Risk-Aware Quantile Learning for Personalized Dynamic Treatment Regimes
• Title（参考訳）: 個人化動的処理レジームのためのリスク対応量子学習
• Abstract要約: 臨床医は、結果分布の臨床的に関連する尾部を同時に最適化し、治療関連リスクを制御し、複数の治療法を選択する必要がある。 既存のQuantile dynamic treatment regime (DTR) 法は治療結果の分布的特徴を捉えるが、有効性のみの目的とバイナリな治療に大きく制限されている。 リスク対応型量子動的処理規則(RQDTR, Risk-Aware Quantile Dynamic Treatment Regimes, RQDTR)を提案する。
• 参考スコア（独自算出の注目度）: 1.2074766935042585
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sequential clinical decision-making often involves more than maximizing average efficacy. Clinicians may need to simultaneously optimize clinically relevant tails of the outcome distribution, control treatment-related risk, and choose among multiple treatment options. Existing quantile dynamic treatment regime (DTR) methods capture distributional features of treatment outcomes but remain largely restricted to efficacy-only objectives and binary treatments. To address these limitations, we propose Risk-Aware Quantile Dynamic Treatment Regimes (RQDTR), a unified framework that optimizes a prespecified quantile of the cumulative potential outcome while explicitly incorporating treatment-related risk. We also develop an angle-based formulation for jointly learning decision rules across multiple treatment categories. Our framework includes three interpretable subclasses: efficacy-only quantile learning, constraint-based learning with population-level risk control, and utility-based learning through a composite benefit-risk utility. Theoretically, we establish identification and oracle equivalence, Fisher consistency of the smoothed surrogate, consistency of the estimated regime, and finite-sample performance error rates. Extensive simulation studies and applications to All of Us major depressive disorder and MIMIC-III sepsis data demonstrate that RQDTR improves tail-oriented efficacy and achieves more favorable benefit-risk trade-offs than existing quantile DTR methods.
• Abstract（参考訳）: 連続的な臨床的意思決定は、平均効力を最大化する以上のものを含んでいることが多い。 臨床医は、結果分布の臨床的に関連する尾部を同時に最適化し、治療関連リスクを制御し、複数の治療法を選択する必要がある。 既存のQuantile dynamic treatment regime (DTR) 法は治療結果の分布的特徴を捉えるが、有効性のみの目的とバイナリな治療に大きく制限されている。 これらの制約に対処するため、我々は、累積ポテンシャル結果の予め定義された量子化を最適化し、治療関連リスクを明示的に組み込んだ統合フレームワークRQDTRを提案する。 また,複数の治療カテゴリーにまたがる共同学習決定規則の定式化も行った。 本フレームワークは,有効性のみの量子学習,集団レベルのリスク制御による制約ベースの学習,複合的利益リスクユーティリティによるユーティリティベースの学習という,3つの解釈可能なサブクラスを含む。 理論的には、同定とオラクル等価性、スムーズなサロゲートのフィッシャー整合性、推定された状態の整合性、有限サンプル性能誤差率を確立する。 全般的なシミュレーション研究とMIMIC-III敗血症データへの応用は、RQDTRがテール指向の有効性を改善し、既存の量子DTR法よりも有利な利益リスクトレードオフを実現することを示した。

関連論文リスト

• Beyond Prompt: Fine-grained Simulation of Cognitively Impaired Standardized Patients via Stochastic Steering [58.85421622061983]
  認知障害患者の微粒化シミュレーションのためのStsPatientを提案する。 対照的な命令と応答のペアからステアリングベクトルを抽出することにより、ドメイン固有の特徴を捉える。 StsPatientは、臨床の信頼性と重症度の両方において、ベースラインを著しく上回る。
  論文  参考訳（メタデータ） (2026-04-14T02:37:46Z)
• On Multiple Robustness of Proximal Dynamic Treatment Regimes [6.4049477424590355]
  逐次ランダム化試行を通して最適な動的治療体制を推定することは、コストと倫理的ハードルに直面する可能性がある。 不確定な仮定が失敗した場合に最適な動的治療体制を学習するための近因性推論フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-23T11:38:40Z)
• 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)
• Enhancing Treatment Effect Estimation via Active Learning: A Counterfactual Covering Perspective [61.284843894545475]
  治療効果推定のための複雑なアルゴリズムは、不十分なラベル付きトレーニングセットを扱う際には効果がない。 我々は,最適化目標をtextitFactual と textitCounterfactual Coverage Maximization に変換して,データ取得時の有効半径削減を実現するFCCMを提案する。 FCCMを他のベースラインに対してベンチマークすることは、完全に合成されたデータセットと半合成されたデータセットの両方にその優位性を示す。
  論文  参考訳（メタデータ） (2025-05-08T13:42:00Z)
• Quantifying Aleatoric Uncertainty of the Treatment Effect: A Novel Orthogonal Learner [72.20769640318969]
  医療の安全性と有効性を理解するためには,観測データから因果量の推定が重要である。 医療従事者は、平均因果量の推定だけでなく、治療効果のランダム性をランダムな変数として理解する必要がある。 このランダム性はアレタリック不確実性と呼ばれ、治療効果の利益や量子化の確率を理解するために必要である。
  論文  参考訳（メタデータ） (2024-11-05T18:14:49Z)
• XAI for In-hospital Mortality Prediction via Multimodal ICU Data [57.73357047856416]
  マルチモーダルICUデータを用いて病院内死亡率を予測するための,効率的で説明可能なAIソリューションを提案する。 我々は,臨床データから異種入力を受信し,意思決定を行うマルチモーダル・ラーニングを我々のフレームワークに導入する。 我々の枠組みは、医療研究において重要な要素の発見を容易にする他の臨床課題に容易に移行することができる。
  論文  参考訳（メタデータ） (2023-12-29T14:28:04Z)
• Stage-Aware Learning for Dynamic Treatments [3.6923632650826486]
  動的治療体制のための新しい個別化学習法を提案する。 観測軌道が最適処理と完全に一致しなければならないという制約を緩和することにより,本手法はIPWE法における試料効率と安定性を大幅に改善する。
  論文  参考訳（メタデータ） (2023-10-30T06:35:31Z)
• A Flexible Framework for Incorporating Patient Preferences Into Q-Learning [1.2999518604217852]
  上記の課題に対処するために,Q-ラーニングに適応する潜在モデルアプローチを提案する。 低腰痛に対する臨床試験および統合失調症に対するよく知られた臨床試験に基づいてシミュレーション実験を行った。 LUQ-Learningは、代替ベースラインに比べて高い競争性能を達成する。
  論文  参考訳（メタデータ） (2023-07-22T08:58:07Z)
• 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)
• 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)
• Robust and Agnostic Learning of Conditional Distributional Treatment Effects [44.31792000298105]
  問題クラスに対する条件付きDTE(Conditional DTE)を学習するための、新しい堅牢でモデルに依存しない方法論を提供する。 本手法は回帰モデルクラスにCDTEの最良のプロジェクションを提供することができるため,モデルに依存しない。 シミュレーションにおける提案手法の挙動と,富に対する401(k)の適格性の影響を事例として検討した。
  論文  参考訳（メタデータ） (2022-05-23T17:40:31Z)
• SurvITE: Learning Heterogeneous Treatment Effects from Time-to-Event Data [83.50281440043241]
  時系列データから不均一な処理効果を推定する問題について検討する。 本稿では,バランス表現に基づく治療特異的ハザード推定のための新しいディープラーニング手法を提案する。
  論文  参考訳（メタデータ） (2021-10-26T20:13:17Z)
• Learning for Dose Allocation in Adaptive Clinical Trials with Safety Constraints [84.09488581365484]
  新しい化合物の有効性と毒性の関係がより複雑になるにつれて、第1相線量測定試験はますます困難になっている。 最も一般的に使われている方法は、毒性事象のみから学習することで、最大許容量(MTD)を特定することである。 本稿では, 毒性安全性の制約を高い確率で満たしつつ, 累積効果を最大化することを目的とした, 適応型臨床試験手法を提案する。
  論文  参考訳（メタデータ） (2020-06-09T03:06:45Z)

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。