Transfer learning of individualized treatment rules from experimental to real-world data
从实验数据向真实世界迁移学习个体化治疗规则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：摘要直接研究实验治疗信息向目标人群的迁移、治疗规则和协变量校准，涉及治疗决策的因果推广，对应因果推断。
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…
从实验数据向真实世界迁移学习个体化治疗规则
- 研究问题
- 实验样本因入组限制而不代表目标人群时，如何结合真实世界数据学习可解释的治疗规则，提高规则对目标人群的适用性？
- 方法与思路
- 作者通过加权校准实验与真实世界数据的协变量分布，构建整合式迁移学习方法，并用模拟及就业培训项目数据评估。
- 材料陈述的贡献
- 摘要称提出可推广的可解释治疗规则学习方法，给出规则估计量的风险一致性保证，并考察有限样本表现与实际应用。
- 阅读关注点
- 应核对跨样本迁移的识别条件、协变量支持重叠、权重估计和规则类别，以及风险一致性对应的目标风险与渐近框架。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未说明迁移假设，规则学习也不等同于识别个体治疗效应。
原文摘要
Individualized treatment effect lies at the heart of precision medicine. Interpretable individualized treatment rules (ITRs) are desirable for clinicians or policymakers due to their intuitive appeal and transparency. The gold-standard approach to estimating the ITRs is randomized experiments, where subjects are randomized to different treatment groups and the bias is minimized to the extent possible. However, experimental data are limited in external validity because of their selection restrictions and therefore are not representative of the target real-world population. Conventional learning methods of optimal interpretable ITRs for a target population based only on experimental data are biased. On the other hand, real-world data (RWD) are becoming popular and provide a representative sample of the population. To learn the generalizable optimal interpretable ITRs, we propose an integrative transfer learning method based on weighting schemes to calibrate the covariate distribution of the experiment to that of the RWD. We show that the proposed ITR estimator has a theoretical guarantee of the risk consistency. We evaluate the transfer learner based on the finite-sample performance through simulation and apply it to a real data application of a job training program.