Variable Selection in D-learning for Individualized Treatment Regimes
- 주제(키워드) Optimal Treatment Regimes , Personalized Treatments , Shrinkage Method , Prescriptive Variable Selection
- 발행기관 고려대학교 대학원
- 지도교수 신승준
- 발행년도 2023
- 학위수여년월 2023. 8
- 학위구분 석사
- 학과 대학원 통계학과
- 원문페이지 39 p
- UCI I804:11009-000000276688
- DOI 10.23186/korea.000000276688.11009.0000127
- 본문언어 영어
초록/요약
최적의 개별 치료 규칙(ITR)은 개별 연구대상의 특성을 기반으로 개인별 최적의 처방을 제안하는 의사 결정 함수이다. 기존의 모델 기반 또는 분류 기반 ITR 방법론은 예측 시 모델 또는 가중치 설정에서 오류가 발생할 가능성이 존재한다. D-learning 방 법론은 직접적으로 최적의 ITR을 추정함으로써 이러한 문제를 해결한다. 또한, 최적의 ITR 추정에서는 의사 결정 규칙에 관여하는 규칙 변수를 추출하는 것이 핵심 부분이다. 본 논문에서는 D-learning 방법론과 볼록 및 비볼록 벌점 함수를 포함한 변수 선택 기법의 접목을 제안한다. 이를 통해 ITR 추정 시 예측 정확도를 향상시키고, 의사 결정 규칙의 해석력을 개선하고자 한다. 모의실험 및 실제 데이터의 분석에서 기존의 방법과 제안된 방법 간의 비교를 통해 향상된 성능을 입증하였다.
more초록/요약
The optimal individualized treatment regimes (ITR) involves a decision function that maximizes the expected clinical outcome by considering individual patient characteristics. However, existing model-based or classification-based methods for ITR are susceptible to potential errors in model specification or weight assignment. To address this concern, D-learning method has been developed to directly estimate the optimal ITR. In optimization of ITR, it is crucial to select important prescriptive variables that have a role in the decision rule and interact with the treatment. In this paper, we propose incorporating a range of variable selection techniques, including both convex and non-convex penalty functions into D-learning. Through simulations and analysis of real data, we demonstrate that our proposed method exhibits promising performance compared to existing method.
more목차
Abstract i
국문초록 ii
Table of Contents ii
List of Tables v
List of Figures vi
1 Introduction 1
2 Method 4
2.1 Direct Learning for Individualized Treatment Regimes 4
2.2 Proposed Method 7
3 Simulation 13
4 Real data analysis 22
5 Conclusion 26
6 Reference 28
