Methods in dynamic treatment regimens using observational healthcare data: A systematic review
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
• This systematic review identified 83 observational studies estimating DTRs • Methods mainly used reinforcement learning (44%), counterfactual (18%), and g-methods (10%) • Most studies focused on refining existing DTRs • 65% included key assumptions (e.g., exchangeability, positivity) • Validation was high (86%), mainly using expected outcomes, simulated data, or observational comparisons We present a systematic review of methods used to estimate Dynamic Treatment Regimens (DTR) using observational healthcare data and provide a brief summary of their strengths and weaknesses, evaluation metrics, and suitable research problem settings. We considered all observational studies identified in PubMed or EMBASE between January 1950 until January 2022, including only studies that evaluated medical treatments or interventions as exposure and/or outcome in patients and where DTRs were estimated. 83 studies met our inclusion criteria; 44.6% estimating DTR utilizing reinforcement learning, 18.1% utilizing counterfactual-based models, 12.1% utilizing classification-based methods, and 9.6% utilized g-methods. Among the studies analyzed, 28.9% aimed to replicate human expert DTRs, while 71.1% aimed to refine and improve existing DTRs. Approximately two-thirds of studies (65.1%) reported the assumptions required for their applied methods, such as exchangeability, positivity, consistency, and Markov property. Most of the studies (83.1%) estimated DTRs with more than two treatment options; 50.6% mentioned time-varying confounders, only a few estimated conditional average treatment effects (7.2%). Most (85.5%) validated their methods, with 32.5% using expected outcomes (e.g., survival rates), 26.5% employing simulated data, and 25.3% conducting direct comparisons with observational data.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle