qLearn公司

使用自适应m-out-of-n bootstrap方案推断最优动态处理方案。动态治疗机制由一组决策规则组成,这些规则规定如何根据可用治疗和协变量历史对患者进行个性化治疗。从数据估计最优动态处理方案的一种常用方法是Q-学习,它涉及数据的非光滑操作。这种非光滑性会导致标准的渐近推理方法,如bootstrap或Taylor级数参数,如果不进行修正,就会崩溃。这里,我们考虑m-out-of-n bootstrap来构造参数的置信区间,以索引最优动态状态。我们提出了一个m的自适应选择,并证明了它在固定方案下产生渐近正确的置信集。此外,与具有相同理论性质的竞争方法相比,该方法具有概念和计算简单的优点。我们提供了一个广泛的模拟研究,以比较所提出的方法与目前可用的推理程序。结果表明,所提出的方法提供名义覆盖率,同时比其他方法保守。提出的方法在qLearn R-package中实现,并已在综合R-Archive网络上提供(http://cran.r-project.org/). 以缓解抑郁的序列治疗方案分析(STAR*D)研究为例。


zbMATH中的参考文献(参考文献17条)

显示第1到17个结果,共17个。
按年份排序(引用)

  1. 阿什坎的厄特菲;麦凯,詹姆斯R。;奥斯林,大卫;斯特劳德曼,罗伯特L.:强健的Q-学习(2021)
  2. 洪、汉;李,杰西:数字引导(2020)
  3. 朱文生;曾东林;宋睿:动态治疗方案高维Q学习中价值函数的恰当推断(2019)
  4. 拉伯,埃里克B。;Staicu,Ana Maria:个性化治疗方案的功能特征构建(2018)
  5. 莫里,托马斯A。;袁英;Thall,Peter F.:用于优化动态治疗方案的贝叶斯机器学习方法(2018)
  6. 迈克尔·华莱士;艾丽卡·穆迪;David Stephens:基于回归技术的动态治疗方案评估:引入R包DTRreg(2017)不是zbMATH
  7. 陶,叶斌;王璐:多阶段多治疗决策的自适应对比加权学习(2017)
  8. 查克拉波蒂,琵琶;戈什,帕拉什;莫迪,埃里卡·E·M。;Rush,A.John:估计最佳共享参数动态方案及其在多阶段抑郁症临床试验中的应用(2016)
  9. 张应权;查克拉波蒂,琵琶;Davidson,Karina W.:抑郁症治疗计划质量改善的适应性随机化序贯多任务随机试验(SMART)(2015)
  10. 华莱士,迈克尔P。;Moodie,Erica E.M.:通过加权最小二乘法估计双稳健动态治疗方案(2015)
  11. 徐耀尧;余,孟刚;赵应启;李魁峰;王思建;邵军:不同治疗效果的正规化结果加权亚组识别(2015)
  12. 拉伯,埃里克B。;利佐特,丹尼尔J。;钱敏;威廉·E·佩勒姆。;Murphy,Susan A.:动态治疗机制:技术挑战和应用(2014)
  13. 查克拉波蒂,琵琶;拉伯,埃里克B。;赵英奇:基于自适应(m)出(n)bootstrap方案的最优动态处理方案推断(2013)
  14. 查克拉波蒂,琵琶;Moodie,Erica E.M.:动态治疗方案的统计方法。强化学习、因果推理与个性化医学(2013)
  15. 张柏群;Tsiatis,Anastasios A公司。;拉伯,埃里克B。;Davidian,Marie:序贯治疗决策的最佳动态治疗方案的稳健估计(2013)
  16. 莫迪,埃里卡·E·M。;查克拉波蒂,琵琶;Kramer,Michael S.:从观测数据估计最佳动态处理规则的Q-学习(2012)
  17. 王伟伟;沙尔夫斯坦,丹尼尔;王晨光;丹尼尔斯,迈克尔;李约瑟,戴尔;Brower,Roy:评估低潮气量通气对急性肺损伤患者生存率的因果影响(2011)