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。建议的方法在qLearn R-package中实现，并已在综合R-Archive网络（http://cran.R-project.org/）上提供。以缓解抑郁的序列治疗方案分析（STAR*D）研究为例。

此软件的关键字

这里的任何内容都将在支持canvas元素的浏览器上被替换

zbMATH参考文献（16篇文章引用）

显示第1到16个结果，共16个。
按年份排序(引用)

  1. Hong，Han；Li，Jessie:数字引导（2020）
  2. 朱文生；曾东林；宋睿：动态治疗模式下高维Q学习中价值函数的恰当推理（2019）
  3. Laber，Eric B.；Staicu，Ana Maria:个性化治疗方案的功能特征构建（2018）
  4. Murray，Thomas A.；Yuan，Ying；Thall，Peter F.：用于优化动态治疗方案的贝叶斯机器学习方法（2018）
  5. 2017年《基于迈克尔·沃勒斯莫瑞格（David-Wallerce-Mooreg）的治疗方法介绍》；基于迈克尔·沃勒斯莫瑞格的动态评估技术不是zbMATH
  6. Tao，Yebin；Wang，Lu:多阶段多治疗决策的自适应对比加权学习（2017）
  7. Chakraborty，Bibhas；Ghosh，Palash；Moodie，Erica 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）
  8. Cheung，Ying Kuen；Chakraborty，Bibhas；Davidson，Karina W.：抑郁症治疗方案质量改进的自适应随机化序贯多任务随机试验（SMART）（2015）
  9. Wallace，Michael 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年）
  10. 徐耀尧；余，孟刚；赵英奇；李魁峰；王思建；邵军：差异治疗效果的正规化结果加权亚组识别（2015）
  11. Laber，Eric B.；Lizotte，Daniel J.；Qian，Min；Pelham，William E.；Murphy，Susan A.：动态治疗机制：技术挑战和应用（2014）
  12. Chakraborty，Bibhas；Laber，Eric B.；Zhao，Yingqi:使用自适应（m）out-（n）bootstrap方案推断最佳动态治疗方案（2013）
  13. Chakraborty，Bibhas；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）
  14. Zhang，Baqun；Tsiatis，Anastasios A.；Laber，Eric B.；Davidian，Marie:序贯治疗决策的最佳动态治疗方案的稳健估计（2013年）
  15. Moodie，Erica E.M.；Chakraborty，Bibhas；Kramer，Michael S.：从观测数据估计最佳动态治疗规则的Q-学习（2012）
  16. Wang，Weiwei；Scharfstein，Daniel；Wang，Chenguang；Daniels，Michael；Needham，Dale；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）