机构名称：
¥ 2.0
抽象的经常性事件，其特征是在个人研究中反复发生同一事件，是医学研究中的一种常见数据。是出于癌症的促进，我们旨在估算有效减轻此类复发事件的最佳个性化治疗方案（ITR）。ITR是一项决策规则，它根据个性化信息将最佳治疗方法分配给每个患者，以最大程度地提高整体治疗益处。但是，现有的估计ITR的研究主要集中于初次事件，而不是经常发生的事件。要解决重复事件的最佳ITR的问题，我们提出了经常性的C-学习方法（RECL）方法，以从两个或多个处理选项中识别最佳ITR。所提出的方法将优化问题重新定义为加权分类问题。我们介绍了三个错误分类成本的估计器：结果回归估计器，逆概率加权估计器以及增强的反概率加权估计器。RECL方法利用分类技术来生成针对经常性事件数据量身定制的可解释的最佳ITR。在各种情况下通过模拟证明了RECL方法的优点。此外，基于关于结直肠癌治疗的实际数据，我们采用了这种新颖的方法来得出结直肠癌的可解释的树木治疗方案，从而为增强治疗策略提供了实用的框架。
c学习估计重复疾病的最佳个性化治疗方案
主要关键词
相关文件推荐
