基于树结构的经审查调整策略学习方法，用于估算具有审查结果的动态处理方案

《Scientific Reports》：Censoring-adjusted tree-based policy learning for estimating dynamic treatment regimes with censored outcomes

　　

摘要

动态治疗方案为制定能够根据个体患者特征进行调整的序贯治疗决策提供了一种系统化的方法，尤其在那些关注生存结果的临床场景中更为重要。我们探讨了如何利用观察数据来学习有效的动态治疗方案，采用了基于截尾数据调整的树型强化学习算法（CA-TReL）——这是一种用于处理截尾数据所带来的复杂问题、从而估算最优动态治疗方案的新框架。通过将传统的树型强化学习方法与增强型逆概率加权技术和截尾数据调整估计相结合，CA-TReL能够提供稳健且易于理解的治疗策略。通过大量的模拟研究以及使用SANAD癫痫数据集进行的实际验证，CA-TReL在受限平均生存时间和决策准确性等关键指标上的表现优于包括OWL、RWL、TBWL、ASCL和DWsurv在内的多种先进方法。这项工作为在各种医疗环境中推进个性化、数据驱动的治疗策略奠定了基础。