机构名称：
¥ 1.0
动机：估计干预措施对患者预后的影响是个性化医学的关键方面之一。通常，培训数据仅包括管理治疗的结果，而不是替代治疗的结果（所谓的反事实结果），通常会挑战他们的推论。基于观察数据，即对于连续和二进制结果变量都没有应用干预措施的数据。但是，如果在观察期内没有发生事件，则通常会根据事件时间数据记录患者结果，包括右审查的事件时间。尽管很重要，但事件时间数据很少用于治疗优化。我们建议一种名为BITES（生存数据平衡的个体治疗效果），该处理结合了治疗特定的半参数COX损失与治疗均衡的深层神经网络；即我们使用积分概率指标（IPM）正规化治疗和未处理患者之间的差异。结果：我们在模拟研究中表明，这种方法的表现优于最新技术。此外，我们在应用乳腺癌患者的同类中，根据六个常规参数可以优化激素治疗。我们在独立队列中成功验证了这一发现。可用性和实现：我们将叮咬作为易于使用的Python实现，包括计划的超参数优化（https://github.com/sschrod/bites）。本文基础的数据可在https://rdrr.io/cran/survival/man/man/gbsg.html和https://rdrr.io/cran/cran/survival/survival/man/man/rotterdam.html中获得。联系人：stefan.schrod@bioinf.med.uni-goettingen.de或michael.altenbuchinger@bioinf.med.uni-goettingen.de补充信息：可在BreioNformatics Online获得补充数据。
叮咬：生存数据平衡的个人治疗效果
主要关键词
相关文件推荐
