Continuous Treatment Recommendation with Deep Survival Dose Response Function
利用深度生存剂量反应函数推荐连续治疗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：摘要明确研究观察性数据中的连续治疗因果效应、混杂与选择偏差校正，直接支持因果推断分类。
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
利用深度生存剂量反应函数推荐连续治疗
- 研究问题
- 在治疗选择受观察混杂因素影响的临床生存数据中，如何学习条件平均剂量反应，并据此推荐连续治疗剂量？
- 方法与思路
- 作者提出DeepSDRF，从历史数据估计条件平均剂量反应函数，构造纠正选择偏差的推荐方法，并比较随机搜索与强化学习。
- 材料陈述的贡献
- 摘要称，方法在模拟和eRI数据库中接受测试，两种推荐方案的患者结局表现相近，并提出连续治疗的生存分析框架。
- 阅读关注点
- 应核对生存结局及剂量反应目标量、混杂和删失处理条件，以及推荐策略评价是否独立于模型拟合过程。
- 阅读边界
- 这是arXiv预印本，同行评审或期刊接收未获核验；摘要未说明识别假设及结局增益，作者的首次性主张未获验证。
原文摘要
We propose a general formulation for continuous treatment recommendation problems in settings with clinical survival data, which we call the Deep Survival Dose Response Function (DeepSDRF). That is, we consider the problem of learning the conditional average dose response (CADR) function solely from historical data in which observed factors (confounders) affect both observed treatment and time-to-event outcomes. The estimated treatment effect from DeepSDRF enables us to develop recommender algorithms with the correction for selection bias. We compared two recommender approaches based on random search and reinforcement learning and found similar performance in terms of patient outcome. We tested the DeepSDRF and the corresponding recommender on extensive simulation studies and the eICU Research Institute (eRI) database. To the best of our knowledge, this is the first time that causal models are used to address the continuous treatment effect with observational data in a medical context.