Value search estimators of individualized treatment regimes using a new class of weights
Notice bibliographique
Résumé
I would like to dedicate this thesis to my dearest parents, whose unconditionally emotional and financial support and constant encouragement have always been, and will always be, my greatest source of strength and inspiration. R ÉSUM ÉLa médecine personnalisée est un domaine de recherche en pleine croissance.Les programmes dynamiques de traitement (PDT) permettent de formaliser et d'adapter une série de décisions en fonction de l'historique médicale d'un patient.L'estimation des PDT dépend souvent d'estimateurs pondérés selon la probabilité inverse (EPPI) ou d'estimateurs augmentés pondérés selon la probabilité inverse (EAPPI).Ces deux familles d'estimateurs spécifient non seulement une classe restreinte de programmes, elles permettent aussi d'identifier le programme optimal au moyen de la maximisation de la réponse espérée pour chaque programme.Les EPPI sont des estimateurs robustes simples: ils requièrent une spécification correcte du modèle de traitement.Les EAPPI bénéficient toutefois d'une double robustesse: ils sont non biaisés à condition que soient correctement spécifiés le modèle de traitement ou le modèle de régression pour la réponse.Récemment, une nouvelle méthode d'estimation des PDT a été proposée: la méthode des moindres carrés ordinaires, pondérés et dynamiques (MCOPD).Elle combine deux méthodes communes: le Q-learning et le Gestimation.Dans ce mémoire, plutôt que la pondération selon la probabilité inverse conventionnelle, je propose la pondération de style MCOPD pour les estimateurs robustes simples et doubles dans le contexte des PDT.Je démontre que le nouvel estimateur robuste simple est cohérent, contrairement à l'estimateur robuste double.J'illustre la performance des méthodes proposées par l'intermédiaire de simulations et de l'analyse de données tirées du National Health and Nutrition Survey (NHANES) des États Unis.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,031 | 0,138 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,002 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,004 | 0,008 |
| Science ouverte | 0,004 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».