×
郭，汶川;周晓华;马淑杰

使用具有高维协变量的协变量特定治疗效果曲线估计最佳个体化治疗规则。 （英语） Zbl 1457.62344号

美国统计协会。 116，编号533，309-321（2021）.
总结：基于大量的基线协变量，我们提出了一种新的半参数建模策略，用于异质性治疗效果评估和个体化治疗选择，这是个性化医疗的两个主要目标。我们通过估计协变量特异性治疗效应（CSTE）曲线来实现第一个目标，该曲线被建模为所有基线协变量加权线性组合的未知函数。通过拟合稀疏的半参数logistic单指数系数模型来估计每个协变量的权重或系数。CSTE曲线是通过样条反向核程序估计的，这使我们能够在期望的置信水平下进一步构建CSTE曲线的同时置信带（SCB）。在SCB的基础上，我们找到了从每种治疗中受益的患者亚组，以便我们可以进行个性化治疗选择。该方法的创新点有三个。首先，该方法可以利用高维协变量量化与估计的最优个体化治疗规则相关的变异性。其次，在存在高维协变量的情况下，该方法非常灵活地描述治疗和基线协变量之间的局部和全局关联，因此在实现降维的同时具有灵活性。第三，SCB渐近达到名义置信水平，并在制定个体化治疗决策时提供了统一的推理工具。

引用于三文件

MSC公司：

62页第10页 统计学在生物学和医学中的应用；元分析
2012年12月62日 参数估计量的渐近性质
62J10型 方差和协方差分析（ANOVA）

关键词：

高维协变量;最佳处理选择;个性化医疗;半参数模型
PDF格式BibTeX公司 XML格式引用
\textit{W.Guo}等人，《美国统计协会期刊》第116期，第533、309--321号（2021年；Zbl 1457.62344）
全文： 内政部 arXiv公司

参考文献：

[1] Breheny，P。；Huang，J.，“非凸惩罚回归的坐标下降算法及其在生物特征选择中的应用，应用统计学年鉴，5232-253（2011）·Zbl 1220.62095号 ·doi:10.1214/10-OAS388
[2] 蔡，T。；田，L。；Wong，P.H。；Wei，L.J.，“个性化治疗选择的随机比较临床试验数据分析，生物统计学，12，270-282（2011）·Zbl 1437.62406号 ·doi:10.1093/biostatistics/kxq060
[3] 陈，G。；曾博士。；Kosorok，M.R.，“使用结果加权学习进行个性化剂量测定，美国统计协会杂志，1111509-1547（2016）·doi:10.1080/01621459.2016.1148611
[4] 陈，X。；Christensen，T.M.，“弱依赖和弱条件下序列估计的最优一致收敛速度和渐近正态性，计量经济学杂志，188，447-465（2015）·Zbl 1337.62101号 ·doi:10.1016/j.jeconom.2015.03.010
[5] de Boor，C.，《应用数学科学，样条实用指南》（2001），纽约：Springer-Verlag出版社，纽约·Zbl 0987.65015号
[6] 范，J。；Li，R.，“通过非证实惩罚可能性及其Oracle属性进行变量选择”，《美国统计协会杂志》，96，1348-1360（2001）·Zbl 1073.62547号 ·doi:10.1198/016214501753382273
[7] 范，J。；Lv，J.，“具有NP维的非关联惩罚可能性，IEEE信息理论汇刊，575467-5484（2011）·Zbl 1365.62277号 ·doi:10.1109/TIT.2011.2158486
[8] Han，K。；周，X.-H。；Liu，B.，“当结果为二元时选择最佳治疗的CSTE曲线”，《数学科学》，47，497-514（2017）·兹比尔1499.62407
[9] Huang，Y.，“通过随机对照试验确定治疗选择的最佳生物标记物组合，临床试验，12348-56（2015）·doi:10.1177/1740774515580126
[10] 黄，Y。；Fong，Y.，“通过稳健核方法确定治疗选择的最佳生物标记物组合，生物统计学，70891-901（2014）·Zbl 1393.62068号 ·doi:10.1111/biom.12204
[11] Janes，H。；布朗，医学博士。；黄，Y。；Pepe，M.S.，“评估和比较患者治疗选择生物标记物的方法”，《国际生物统计学杂志》，10，99-121（2014）·doi:10.1515/ijb-2012-0052
[12] 江，B。；Liu，J.，“基于分段逆回归的一般指数模型变量选择”，《统计年鉴》，第42期，第1751-1786页（2014年）·Zbl 1305.62234号 ·doi:10.1214/14-AOS1233
[13] 江，B。；宋，R。；李，J。；曾博士，“动态治疗方案的熵学习”，《中国统计》，291633-1655（2019）·Zbl 1432.62364号
[14] 康，C。；Janes，H。；Huang，Y.，“结合生物标记物优化患者治疗建议，生物统计学，70695-707（2014）·Zbl 1299.62125号 ·doi:10.1111/biom.12191
[15] 科索罗克，M.R。；Laber，E.B.，“精准医学，统计及其应用年度回顾，6，263-286（2019）·doi:10.1146/annurev-statistics-030718-105251
[16] 拉伯，E.B。；Qian，M.，“决策问题的泛化错误（2019）”，Wiley StatsRef:“Wiley Stats Ref，在线统计参考（已接受）
[17] 拉伯，E.B。；赵永清，“基于树的个体化治疗方案方法，生物特征，102，501-514（2015）·Zbl 1452.62821号 ·doi:10.1093/biomet/asv028
[18] 刘，R。；Yang，L。；Härdle，W.K.，“广义可加模型的口头有效两步估计”，《美国统计协会杂志》，108，619-631（2013）·Zbl 06195965号 ·doi:10.1080/01621459.2013.763726
[19] Luckett，D.J。；拉伯，E.B。；Kahkoska，A.R。；Maahs，D.M。；Mayer-Davis，E。；Kosorok，M.R.，“使用V-Learning评估移动健康中的动态治疗方案”，《美国统计协会杂志》，115，692-706（2020）·Zbl 1445.62279号 ·doi:10.1080/01621459.2018.1537919
[20] 马，S。；He，X.，“利用轮廓优化对单指数分位数回归模型的推断，统计年鉴，441234-1268（2016）·Zbl 1338.62119号 ·doi:10.1214/15-AOS1404
[21] 马，S。；Song，P.X.-K.，“变指数系数模型”，《美国统计协会杂志》，110，341-356（2015）·Zbl 1373.62160号 ·doi:10.1080/016214592014.903185
[22] 马，S。；Yang，L.，“基于样条估计的跳跃检测程序，非参数统计杂志，23，67-81（2011）·Zbl 1359.62132号 ·doi:10.1080/10485250903571978
[23] 马云（Ma，Y.）。；Zhou，X.-H.，“通过协变量特异性治疗效果曲线在随机临床试验中选择治疗，医学研究中的统计方法，26，124-141（2014）·数字对象标识代码：10.1177/0962280214541724
[24] 内科夫，M。；刘杰。；Cai，T.，“用于高斯设计高维单指标模型支持恢复的L_1-正则最小二乘法”，《机器学习研究杂志》，17，1-37（2016）·兹比尔1435.62273
[25] 钱，M。；Murphy，S.A.，“个体化治疗规则的性能保证，统计年鉴，39，1180-1210（2011）·Zbl 1216.62178号 ·doi:10.1214/10-AOS864
[26] Radchenko，P.，“高维单指数模型，多元分析杂志，139266-282（2015）·Zbl 1328.62482号 ·doi:10.1016/j.jmva.2015.02.007
[27] Rubin，D.B.，“利用潜在结果进行因果推断，美国统计协会杂志，100322-331（2005）·Zbl 1117.62418号 ·doi:10.1198/0162145000001880
[28] 鲁宾，D.B。；van der Laan，M.J.，“临床试验个性化医学研究中的统计问题和局限性”，《国际生物统计学杂志》，第8期，第18期（2012年）·doi:10.1515/1557-4679.1423
[29] Shi，C。；风扇，A。；宋，R。；Lu，W.，“最佳动态治疗方案的高维a-Learning，《统计学年鉴》，46，925-957（2018）·Zbl 1398.62029号 ·doi:10.1214/17-AOS1570
[30] 宋，R。；罗，S。；曾博士。；张，H。；卢·W。；Li，Z.，“估计最佳个体化治疗策略的半参数单指数模型”，《电子统计杂志》，11，364-384（2017）·兹比尔1356.62220 ·doi:10.1214/17-EJS1226
[31] Stone，C.，“加性回归和其他非参数模型，统计年鉴，13，689-705（1985）·Zbl 0605.62065号 ·doi:10.1214/aos/1176349548
[32] J.M.G.泰勒。；Cheng，W。；Foster，J.C.，“读者对Zhang等人（2012）提出的‘估算最佳治疗方案的稳健方法’的反应”，《生物计量学》，71，267-273（2015）·Zbl 1329.62438号 ·doi:10.1111/biom.12228
[33] Wager，S。；Athey，S.，“利用随机森林估算和推断异质性处理效应，美国统计协会期刊，1131228-1242（2018）·Zbl 1402.62056号 ·doi:10.1080/01621459.2017.1319839
[34] Wang，H。；李，B。；Leng，C.，“不同参数数的收缩率调谐参数选择”，《皇家统计学会杂志》，B辑，71，671-683（2009）·Zbl 1250.62036号 ·doi:10.1111/j.1467-9868.2008.00693.x
[35] Wang，L。；Yang，L.，“非线性可加自回归模型的样条支持核平滑，统计学年鉴，352474-2503（2007）·Zbl 1129.62038号 ·doi:10.1214/00905360700000488
[36] Watson，M.W。；Engle，R.F.，“估算动态因子、模拟和变系数回归模型的替代算法”，《计量经济学杂志》，23，385-400（1983）·Zbl 0534.62083号 ·doi:10.1016/0304-4076（83）90066-0
[37] Wu，T.，《集值动态治疗方案》（2016）
[38] 张，B。；Tsiatis，A.A。；Davidian，M。；张，M。；Laber，E.，“从分类角度评估最佳治疗方案”，《统计》，第1103-114页（2012年）·doi:10.1002/sta.411
[39] 张，B。；Zhang，M.，“C-Learning:评估最佳动态治疗方案的新分类框架，生物统计学，74891-899（2018）·Zbl 1414.62485号 ·doi:10.1111/biom.12836
[40] Zhang，C.-H.，“最小凹板惩罚下的几乎无偏变量选择，统计年鉴，38894-942（2010）·Zbl 1183.62120号 ·doi:10.1214/09-AOS729
[41] Zhang，Y。；拉伯，E.B。；Davidian，M。；Tsiatis，A.A.，“可解释的动态治疗机制”，《美国统计协会杂志》，1131541-1549（2018）·Zbl 1409.62231号 ·doi:10.1080/01621459.2017.1345743
[42] Zhao，Y。；曾博士。；拉什，A.J。；Kosorok，M.R.，“使用结果加权学习评估个体化治疗规则，美国统计协会杂志，107，1106-1118（2012）·Zbl 1443.62396号 ·doi:10.1080/01621459.2012.695674
[43] 郑S。；刘，R。；Yang，L。；Härdle，W.K.，“广义可加模型的统计推断：同时置信廊道和变量选择”，TEST，25，607-626（2016）·兹比尔1422.62155 ·doi:10.1007/s11749-016-0480-8
[44] 周，X。；Mayer-Hamblett，N。；Khan，U。；Kosorok，M.R.，“估计个体化治疗规则的剩余加权学习，美国统计协会杂志，112169-187（2017）·doi:10.1080/01621459.2015.1093947
[45] 周，X.-H。；Ma，Y.B.，“预测性生物标记物临床应用评估中的BATE曲线，科学中国数学，551529-1552（2012）·Zbl 1258.62118号 ·doi:10.1007/s11425-012-4473-0
[46] Zhu，K。；黄，Y。；Zhou，X.-H.，“基于树的个体化治疗规则集成方法”，生物统计与流行病学，261-83（2018）
[47] 朱伟。；曾博士。；Song，R.，“动态治疗方案高维Q学习中价值函数的正确推断”，美国统计协会杂志，1141404-1417（2019）·Zbl 1428.62246号 ·doi:10.1080/01621459.2018.1506341
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。