An Efficient Approach for Optimizing the Cost-effective Individualized Treatment Rule Using Conditional Random Forest
利用条件随机森林高效优化成本有效的个体化治疗规则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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要明确在因果推断框架下处理潜在混杂，并学习个体化治疗规则，因此最直接对应因果推断方向。
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…
关注这篇论文的作者
利用条件随机森林高效优化成本有效的个体化治疗规则
- 研究问题
- 如何在存在患者异质性、潜在混杂和删失观测时，学习兼顾健康收益与治疗成本的个体化治疗分配规则？
- 方法与思路
- 作者以净货币收益构造分类目标，使用条件随机森林学习规则，并提出两种分段权重估计量纳入删失个体信息。
- 材料陈述的贡献
- 摘要称，该方法可用于试验和观察研究，并通过模拟及 SPRINT 试验应用展示定制强化降压治疗的成本效益收益。
- 阅读关注点
- 应核对混杂与删失的处理条件、净货币收益中的支付意愿设定，以及治疗规则学习与效果评价是否使用独立样本。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未获核实；摘要未说明识别条件、删失机制及收益数值，不能判断推广效果。
原文摘要
Evidence from observational studies has become increasingly important for supporting healthcare policy making via cost-effectiveness (CE) analyses. Similar as in comparative effectiveness studies, health economic evaluations that consider subject-level heterogeneity produce individualized treatment rules (ITRs) that are often more cost-effective than one-size-fits-all treatment. Thus, it is of great interest to develop statistical tools for learning such a cost-effective ITR (CE-ITR) under the causal inference framework that allows proper handling of potential confounding and can be applied to both trials and observational studies. In this paper, we use the concept of net-monetary-benefit (NMB) to assess the trade-off between health benefits and related costs. We estimate CE-ITR as a function of patients' characteristics that, when implemented, optimizes the allocation of limited healthcare resources by maximizing health gains while minimizing treatment-related costs. We employ the conditional random forest approach and identify the optimal CE-ITR using NMB-based classification algorithms, where two partitioned estimators are proposed for the subject-specific weights to effectively incorporate information from censored individuals. We conduct simulation studies to evaluate the performance of our proposals. We apply our top-performing algorithm to the NIH-funded Systolic Blood Pressure Intervention Trial (SPRINT) to illustrate the CE gains of assigning customized intensive blood pressure therapy.