Estimating Dynamic Treatment Regimes in Mobile Health Using V-Learning
用 V-learning 估计移动健康中的动态处理策略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：摘要直接研究动态治疗干预和最优个体化处理规则，与动态处理决策的因果推断方向相关，具体识别条件仍需核对。
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…
关注这篇论文的作者
用 V-learning 估计移动健康中的动态处理策略
- 研究问题
- 移动健康场景需要逐分钟决策且干预期限不固定时，如何根据患者实时信息估计最优动态处理策略，而不局限于少数固定阶段？
- 方法与思路
- 作者提出基于 V-learning 的强化学习方法，将个体化治疗表示为连续阶段的决策规则，适配不定时间跨度和高频干预决策。
- 材料陈述的贡献
- 摘要称估计量在温和条件下具有一致性和渐近正态性，并将方法用于估计一型糖尿病患者血糖控制的最优动态治疗策略。
- 阅读关注点
- 应核对策略价值的定义、状态与历史信息的使用、最优策略识别条件，以及不定时间跨度下估计和渐近推断的要求。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；识别假设、所谓温和条件和临床效果数值未说明，不能确认实际部署效果。
原文摘要
The vision for precision medicine is to use individual patient characteristics to inform a personalized treatment plan that leads to the best possible health-care for each patient. Mobile technologies have an important role to play in this vision as they offer a means to monitor a patient's health status in real-time and subsequently to deliver interventions if, when, and in the dose that they are needed. Dynamic treatment regimes formalize individualized treatment plans as sequences of decision rules, one per stage of clinical intervention, that map current patient information to a recommended treatment. However, most existing methods for estimating optimal dynamic treatment regimes are designed for a small number of fixed decision points occurring on a coarse time-scale. We propose a new reinforcement learning method for estimating an optimal treatment regime that is applicable to data collected using mobile technologies in an out-patient setting. The proposed method accommodates an indefinite time horizon and minute-by-minute decision making that are common in mobile health applications. We show that the proposed estimators are consistent and asymptotically normal under mild conditions. The proposed methods are applied to estimate an optimal dynamic treatment regime for controlling blood glucose levels in patients with type 1 diabetes.