Doubly robust learning for estimating individualized treatment with censored data
删失数据下个体化治疗规则估计的双重稳健学习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。
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：摘要以个体化治疗规则及其预期生存获益为研究对象，直接涉及治疗决策与因果推断。
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…
删失数据下个体化治疗规则估计的双重稳健学习
- 研究问题
- 当临床结局为受到删失影响的生存时间时，如何根据患者特征学习使预期生存获益最大的个体化治疗规则？
- 方法与思路
- 作者提出非参数治疗规则估计方法，以双重稳健估计调整删失；删失模型或生存模型任一正确即可获得所述稳健性。
- 材料陈述的贡献
- 摘要称方法在两类模型任一正确时具有 Fisher 一致性，并给出估计规则预期生存值向最优规则预期生存值收敛的速率。
- 阅读关注点
- 应核对治疗比较和删失所需条件、最优规则的定义，以及价值收敛速率的适用范围与肺癌临床试验的实施细节。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；双重稳健性针对删失与生存模型，不能据此推断所有识别条件均可放宽。
原文摘要
Individualized treatment rules recommend treatments based on individual patient characteristics in order to maximize clinical benefit. When the clinical outcome of interest is survival time, estimation is often complicated by censoring. We develop nonparametric methods for estimating an optimal individualized treatment rule in the presence of censored data. To adjust for censoring, we propose a doubly robust estimator which requires correct specification of either the censoring model or survival model, but not both; the method is shown to be Fisher consistent when either model is correct. Furthermore, we establish the convergence rate of the expected survival under the estimated optimal individualized treatment rule to the expected survival under the optimal individualized treatment rule. We illustrate the proposed methods using simulation study and data from a Phase III clinical trial on non-small cell lung cancer.