Active Clinical Trials for Personalized Medicine
面向个体化医疗的主动临床试验AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要以随机临床试验和最优个体化治疗规则的学习为核心，直接涉及干预决策与因果推断。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
面向个体化医疗的主动临床试验
- 研究问题
- 如何在随机临床试验成本较高、常规设计未专门服务于个体化治疗规则学习时，选择更有信息的患者以提高估计效率？
- 方法与思路
- 作者从主动学习角度提出患者招募策略，仅从持续进行的临床试验中招募对学习最优个体化治疗规则最有信息的患者。
- 材料陈述的贡献
- 摘要称，主动试验方法在模拟与真实数据示例中优于所比较方法；作者推导风险界，并称其支持所观察到的经验优势。
- 阅读关注点
- 核对信息量标准与招募流程、随机分配如何实施、选择性招募对目标人群的影响，以及风险界条件和试验成本比较方式。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化；摘要未说明招募标准、风险界形式或成本节省幅度，推广性需另行核对。
原文摘要
Individualized treatment rules (ITRs) tailor treatments according to individual patient characteristics. They can significantly improve patient care and are thus becoming increasingly popular. The data collected during randomized clinical trials are often used to estimate the optimal ITRs. However, these trials are generally expensive to run, and, moreover, they are not designed to efficiently estimate ITRs. In this article, we propose a cost-effective estimation method from an active learning perspective. In particular, our method recruits only the "most informative" patients (in terms of learning the optimal ITRs) from an ongoing clinical trial. Simulation studies and real-data examples show that our active clinical trial method significantly improves on competing methods. We derive risk bounds and show that they support these observed empirical advantages. Supplementary materials for this article are available online.