Estimating optimal interpretable individualized treatment regimes from a classification perspective using adaptive LASSO
从分类视角利用自适应 LASSO 估计可解释的最优个体化治疗规则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：摘要以治疗对比、个体化治疗分配和因果学习方法为核心。
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…
从分类视角利用自适应 LASSO 估计可解释的最优个体化治疗规则
- 研究问题
- 如何用真实世界数据学习稀疏、可解释的线性个体化治疗规则，并在变量选择、规则价值和模型复杂度之间取得平衡？
- 方法与思路
- 作者从分类风险最小化出发，比较不同惩罚和治疗对比估计方法，使用自适应 LASSO 选择变量并构造线性治疗规则。
- 材料陈述的贡献
- 摘要称，在其模拟设定中，自适应 LASSO 的变量选择较好，结合 Super Learner 的增广逆概率加权适合估计治疗对比。
- 阅读关注点
- 应核对观察数据的混杂调整条件、风险函数与治疗价值的关系、惩罚调参和验证方式，以及基准方法比较是否公平。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未说明识别条件、模拟范围和误差，性能比较不能直接外推。
原文摘要
Real-world data (RWD) gains growing interests to provide a representative sample of the population for selecting the optimal treatment options. However, existing complex black box methods for estimating individualized treatment rules (ITR) from RWD have problems in interpretability and convergence. Providing an interpretable and sparse ITR can be used to overcome the limitation of existing methods. We developed an algorithm using Adaptive LASSO to predict optimal interpretable linear ITR in the RWD. To encourage sparsity, we obtain an ITR by minimizing the risk function with various types of penalties and different methods of contrast estimation. Simulation studies were conducted to select the best configuration and to compare the novel algorithm with the existing state-of-the-art methods. The proposed algorithm was applied to RWD to predict the optimal interpretable ITR. Simulations show that adaptive LASSO had the highest rates of correctly selected variables and augmented inverse probability weighting with Super Learner performed best for estimating treatment contrast. Our method had a better performance than causal forest and R-learning in terms of the value function and variable selection. The proposed algorithm can strike a balance between the interpretability of estimated ITR (by selecting a small set of important variables) and its value.