机构名称：
¥ 3.0
为了促进精确医学，个性化的治疗方案（ITR）是基于患者特定特征的预期临床结果来优化预期的临床结果。但是，现有的ITR研究主要集中在具有分类治疗选择和单一结果的方案上。实际上，临床医生经常通过连续的治疗选择和多种可能取得的结果（例如医学疗效和不可避免的毒性）来应对方案。为了平衡这些结果，必须有适当的体重，应在考虑患者偏好和临床专业知识的数据驱动器中学习。在本文中，我们提出了一种用于开发个性化治疗方案（ITR）的新型算法，该算法使用了持续的治疗方案和多种结果，并利用了观察数据。我们的方法假设临床医生正在通过最佳的治疗决策优化个性化的患者公用事业，至少比随机分配更好。治疗分配被认为直接取决于治疗的真正潜在效用，而不是患者特征。同时提出的方法同时估计了综合结果的加权和决策过程，从而允许以连续剂量构建个性化的治疗方案。所提出的方法的估计器可用于推理和可变选择，从而促进识别信息治疗分配和偏好相关变量。我们通过模拟研究评估了我们提出的方法的有限样本性能，并将其应用于辐射肿瘤分析的实际数据应用。
通过连续治疗进行多种结果优化的自适应体重学习
主要关键词
相关文件推荐
