Weighted Q-learning for optimal dynamic treatment regimes with nonignorable missing covariates
非可忽略协变量缺失下优化动态治疗方案的加权 Q-learningAI 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：摘要研究观察数据中的序贯治疗决策，并用工具变量与敏感性分析处理缺失造成的估计问题。
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…
非可忽略协变量缺失下优化动态治疗方案的加权 Q-learning
- 研究问题
- 在动态治疗决策中，后期协变量的非可忽略缺失如何通过逆向递推影响早期伪结局，并导致估计出的治疗规则次优？
- 方法与思路
- 作者提出两种加权 Q-learning，通过有效的未响应工具变量估计方程或敏感性分析获取伪结局缺失的逆概率权重。
- 材料陈述的贡献
- 摘要称推导了加权估计量的渐近性质，并通过模拟比较有限样本表现；重症监护电子病历应用用于研究脓毒症患者的补液策略。
- 阅读关注点
- 应核对动态治疗规则的识别条件、结局独立缺失假设、未响应工具变量的有效性，以及伪结局权重构造和敏感性参数的作用。
- 阅读边界
- 这是预印本，同行评审或期刊接收未经核实。摘要未说明完整识别条件、渐近结论或应用结果，不能认定所得策略已获临床验证。
原文摘要
Dynamic treatment regimes (DTRs) formalize medical decision-making as a sequence of rules for different stages, mapping patient-level information to recommended treatments. In practice, estimating an optimal DTR using observational data from electronic medical record (EMR) databases can be complicated by nonignorable missing covariates resulting from informative monitoring of patients. Since complete case analysis can provide consistent estimation of outcome model parameters under the assumption of outcome-independent missingness, Q-learning is a natural approach to accommodating nonignorable missing covariates. However, the backward induction algorithm used in Q-learning can introduce challenges, as nonignorable missing covariates at later stages can result in nonignorable missing pseudo-outcomes at earlier stages, leading to suboptimal DTRs, even if the longitudinal outcome variables are fully observed. To address this unique missing data problem in DTR settings, we propose two weighted Q-learning approaches where inverse probability weights for missingness of the pseudo-outcomes are obtained through estimating equations with valid nonresponse instrumental variables or sensitivity analysis. The asymptotic properties of the weighted Q-learning estimators are derived, and the finite-sample performance of the proposed methods is evaluated and compared with alternative methods through extensive simulation studies. Using EMR data from the Medical Information Mart for Intensive Care database, we apply the proposed methods to investigate the optimal fluid strategy for sepsis patients in intensive care units.