Multi-stage optimal dynamic treatment regimes for survival outcomes with dependent censoring
依赖删失下生存结局的多阶段最优动态处理策略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：摘要以多阶段动态处理策略及其生存结局优化为核心，直接对应因果推断中的序列决策问题。
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…
依赖删失下生存结局的多阶段最优动态处理策略
- 研究问题
- 当生存结局受到依赖删失影响、治疗决策包含多个阶段时，如何学习最大化平均生存时间或特定时点生存概率的策略？
- 方法与思路
- 作者提出基于广义随机生存森林的强化学习估计器，支持不同数量的处理选项和阶段，并采用失败与删失条件独立的设定。
- 材料陈述的贡献
- 摘要称，估计器可具有多项式收敛率；模拟及 ARIC 研究数据分析提示，在若干设定下其预期结局高于已有方法。
- 阅读关注点
- 应核对条件独立所依据的信息、处理决策时点的作用、策略识别条件，以及收敛率和策略价值比较的评估方式。
- 阅读边界
- 仅据所给 Crossref 摘要；不能将依赖删失理解为无需任何独立性限制，具体识别条件、收敛率和改善幅度未说明。
原文摘要
Summary We propose a reinforcement learning method for estimating an optimal dynamic treatment regime for survival outcomes with dependent censoring. The estimator allows the failure time to be conditionally independent of censoring and dependent on the treatment decision times, supports a flexible number of treatment arms and treatment stages, and can maximize either the mean survival time or the survival probability at a certain time-point. The estimator is constructed using generalized random survival forests and can have polynomial rates of convergence. Simulations and analysis of the Atherosclerosis Risk in Communities study data suggest that the new estimator brings higher expected outcomes than existing methods in various settings.