Risk-inclusive Contextual Bandits for Early Phase Clinical Trials
早期临床试验中兼顾风险的情境多臂老虎机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：摘要明确讨论自适应临床处理分配后的效应估计和时间一致的序贯因果推断，因此归入因果推断。
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…
早期临床试验中兼顾风险的情境多臂老虎机
- 研究问题
- 面对未知剂量反应关系和参与者异质性，早期临床试验如何利用个体信息分配剂量，同时兼顾疗效、安全性及序贯推断？
- 方法与思路
- 作者结合分别针对疗效和安全性的两个 Thompson 采样器，并推广渐近置信序列，用于自适应剂量分配后的效应估计。
- 材料陈述的贡献
- 摘要称建立了可能模型误设下的多臂老虎机置信序列有效性，经验比较显示剂量分配优势，并报告一项Ⅱb期研究数据应用。
- 阅读关注点
- 应核对安全性与疗效的权衡规则、因果效应目标，以及置信序列的渐近含义、时间一致覆盖条件和模型误设的允许范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未提供覆盖条件和比较数值，也不能据此认定算法具有临床安全保证。
原文摘要
Early-phase clinical trials face the challenge of selecting optimal drug doses that balance safety and efficacy due to uncertain dose-response relationships and varied participant characteristics. Traditional randomized dose allocation often exposes participants to sub-optimal doses by not considering individual covariates, necessitating larger sample sizes and prolonging drug development. This paper introduces a risk-inclusive contextual bandit algorithm that utilizes multi-arm bandit (MAB) strategies to optimize dosing through participant-specific data integration. By combining two separate Thompson samplers, one for efficacy and one for safety, the algorithm enhances the balance between efficacy and safety in dose allocation. The effect sizes are estimated with a generalized version of asymptotic confidence sequences (AsympCS), offering a uniform coverage guarantee for sequential causal inference over time. The validity of AsympCS is also established in the MAB setup with a possibly mis-specified model. The empirical results demonstrate the strengths of this method in optimizing dose allocation compared to randomized allocations and traditional contextual bandits focused solely on efficacy. Moreover, an application on real data generated from a recent Phase IIb study aligns with actual findings.