机器学习方法可以使用随机对照试验来预测个性化治疗效果
Rikuta Hamaya1,2, Konan Hara3, JoAnn E Manson4,5,6
1Division of Preventive Medicine, Department of Medicine, Brigham and Women's Hospital and Harvard Medical School, 900 Commonwealth Avenue East, Boston, MA, USA. rhamaya@bwh.harvard.edu.
机器学习方法可以通过分析单个随机对照试验 (RCT) 的异质治疗效应 (HTE) 来预测个体患者对治疗的反应. 像DR和R学习器这样的先进方法对于复杂的高维数据是有效的.
科学领域:
- 医疗信息学 医疗信息学
- 生物统计学 生物统计学
- 流行病学 流行病学
背景情况:
- 机器学习 (ML) 越来越多地用于分析异质治疗效应 (HTE).
- 预测个体治疗反应是推进精准医学的关键.
- 从单个随机对照试验 (RCT) 来研究HTE是一个越来越感兴趣的领域.
研究的目的:
- 引入方法框架来研究使用ML的HTEs,特别是从单个RCT.
- 专注于对多个共变量估计条件平均治疗效应 (CATE),以预测个性化治疗效应.
- 为临床和流行病学研究人员提供基于ML的HTE分析.
主要方法:
- 探索基本的ML框架:T学习者,S学习者,因果森林.
- 研究先进的ML框架:DR-学习者,R-学习者.
- 应用交叉验证用于CATE估计,以提高RCT的统计效率.
- 使用POUNDS丢失试验数据的实际应用.
主要成果:
- 用于CATE估计的各种ML方法的比较.
- 演示DR和R学习者在高维设置中的实用性,用于CATE估计.
- 评估用于CATE预测的不同协变量集.
- 成功地将ML方法应用于真实世界的试验数据 (POUNDS Lost).
结论:
- 机器学习提供了强大的工具来分析HTEs,并使精准医学成为可能.
- 像DR和R学习者这样的先进方法在CATE估计中对复杂的高维数据特别有效.
- 对这些方法的易于理解的解释可以加强临床和流行病学研究.
更多相关视频
12:18A Machine Learning Approach to Design an Efficient Selective Screening of Mild Cognitive Impairment
Published on: January 11, 2020
06:55Inverse Probability of Treatment Weighting Propensity Score using the Military Health System Data Repository and National Death Index
Published on: January 8, 2020
相关概念视频
Randomized Experiments
Simple randomization
Simple...
Regression Toward the Mean
Analysis of Population Pharmacokinetic Data
Combination Therapies and Personalized Medicine
The combination of the drug acetazolamide and sulforaphane is a good example of combination therapy to treat cancer. The cells in the interior of a large tumor often die due to the hypoxic and...
Blinding
Mechanistic Models: Compartment Models in Individual and Population Analysis
