Optimal Individualized Treatment Rule for Combination Treatments Under Budget Constraints
预算约束下组合治疗的最优个体化规则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：摘要围绕治疗效应、个体化治疗分配及规则价值展开，直接对应因果推断中的治疗决策问题。
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…
预算约束下组合治疗的最优个体化规则
- 研究问题
- 研究如何根据个体特征选择多种治疗的组合，并在资源预算有限时协调治疗效果、治疗间交互和分配成本。
- 方法与思路
- 作者提出非参数双编码器模型，用参数共享表示复杂治疗效应及交互，再通过多选择背包问题形成预算约束下的治疗规则。
- 材料陈述的贡献
- 摘要称提供有无预算约束时的价值损失界，以及关于治疗数量的改进收敛率，并用模拟与结直肠癌相关数据展示表现。
- 阅读关注点
- 应核对规则价值的识别条件、参数共享对交互的限制、预算优化的求解方式，以及理论收敛率比较所使用的基准。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未说明治疗效应识别假设，所述优势不能外推至任意组合治疗场景。
原文摘要
The individualized treatment rule (ITR), which recommends an optimal treatment based on individual characteristics, has drawn considerable interest from many areas such as precision medicine, personalized education, and personalized marketing. Existing ITR estimation methods mainly adopt one of two or more treatments. However, a combination of multiple treatments could be more powerful in various areas. In this paper, we propose a novel Double Encoder Model (DEM) to estimate the individualized treatment rule for combination treatments. The proposed double encoder model is a nonparametric model which not only flexibly incorporates complex treatment effects and interaction effects among treatments, but also improves estimation efficiency via the parameter-sharing feature. In addition, we tailor the estimated ITR to budget constraints through a multi-choice knapsack formulation, which enhances our proposed method under restricted-resource scenarios. In theory, we provide the value reduction bound with or without budget constraints, and an improved convergence rate with respect to the number of treatments under the DEM. Our simulation studies show that the proposed method outperforms the existing ITR estimation in various settings. We also demonstrate the superior performance of the proposed method in PDX data that recommends optimal combination treatments to shrink the tumor size of the colorectal cancer.