Uncertainty quantification and multi-stage variable selection for personalized treatment regimes
个性化治疗方案的贝叶斯不确定性量化与多阶段变量选择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：摘要聚焦动态治疗方案、反事实变量与最优治疗序列的识别，属于因果推断框架下的个体化处理效应问题。
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…
个性化治疗方案的贝叶斯不确定性量化与多阶段变量选择
- 研究问题
- 摘要称，研究如何在个体预后因素数量庞大时，评估每个可选治疗方案对特定患者为最优的概率，并识别决定最优治疗序列的关键预后因素。
- 方法与思路
- 作者提出一个优化动态治疗方案的贝叶斯模型：通过适当的模型增广处理反事实变量，以刻画最优决策序列识别中的不确定性；并引入一类新的 spike-and-slab 先验，用于多阶段显著因素选择，以促进各阶段间的信息共享。
- 材料陈述的贡献
- 摘要称该模型同时应对最优决策序列识别的不确定性与高维个体协变量的降维问题，并通过大量模拟研究及一项严重急性动脉高血压临床试验数据展示其效果。
- 阅读关注点
- 阅读全文时应核对：反事实增广的具体识别假设与可识别性条件；spike-and-slab 先验在多阶段间共享信息的形式与超参数设定；模拟设计是否贴近真实临床决策场景；临床试验数据的规模、结局定义与结论外推范围。
- 阅读边界
- 仅凭摘要无法判断识别假设是否成立、估计与选择的一致性等理论性质、模拟与实证的具体数值表现，也未说明与既有方法的比较结果。该文为 arXiv 预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
A dynamic treatment regime is a sequence of medical decisions that adapts to the evolving clinical status of a patient over time. To facilitate personalized care, it is crucial to assess the probability of each available treatment option being optimal for a specific patient, while also identifying the key prognostic factors that determine the optimal sequence of treatments. This task has become increasingly challenging due to the growing number of individual prognostic factors typically available. In response to these challenges, we propose a Bayesian model for optimizing dynamic treatment regimes that addresses the uncertainty in identifying optimal decision sequences and incorporates dimensionality reduction to manage high-dimensional individual covariates. The first task is achieved through a suitable augmentation of the model to handle counterfactual variables. For the second, we introduce a novel class of spike-and-slab priors for the multi-stage selection of significant factors, to favor the sharing of information across stages. The effectiveness of the proposed approach is demonstrated through extensive simulation studies and illustrated using clinical trial data on severe acute arterial hypertension.