동적 치료 체계(Dynamic treatment regime, DTR)는 최근 의학 연구에서 부상하는 패러다임으로, 유전적, 환경적, 사회적 요인과 같은 개별 특성을 고려하여 각 환자에게 최적의 치료를 할당하기 위한 일련의 의사결정 규칙을 탐색한다. 최적 치료 체계를 추정하기 위한 통계적 방법에 대한 방대한 규모의 연구가 축적되고 있으나, 대부분의 방법론은 완전 자료에 초점을 맞추고 있다. 본 논문에서는 생존 종말점을 갖는 최적 동적 치료 체계를 위한 설명가능한 대조학습(accountable contrast-learning) 알고리즘을 제안한다. 우리의 추정 절차는 이중강건(doubly-robust) 가중 분류 체계에서 비롯되었으며, 이는 예측변수와 치료 간의 상호작용 항을 주효과 없이 직접적으로 특성화하는 모형 기반 대조학습 방법이다. 검열(censoring)을 반영하기 위해, 시간-사건 결과(time-to-event outcome)의 생존량을 의사관측치(pseudo-observations)로 대체하는 의사값(pseudo-value) 접근법을 채택한다. 많은 기존 접근법이 주로 복잡한 결과 회귀 모형화 또는 역확률가중(inverse-probability weighting) 기법에 기반하는 것과 달리, 의사값 접근법은 검열된 생존 자료에 대해 효율성을 크게 저하시키지 않으면서도 연구자들이 표준 기계학습 기법을 손쉽게 적용할 수 있도록 하여 최적 치료 체계에 대한 추정 절차를 크게 단순화한다. 더 나아가 유의미한 임상 변수를 찾기 위해 SCAD 페널리제이션을 탐색하고, 목적함수의 상한 및 하한을 탐색함으로써 다중 치료 선택지를 처리하기 위한 수정된 알고리즘을 제안한다. 광범위한 모의실험과 AIDS 데이터에 대한 적용을 통해 본 제안의 유용성을 입증한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.