题  目：最优动态治疗方案的贝叶斯变量选择方法

主讲人：崔婷婷博士

时  间：2022年10月13日（周四）13：40-14：40

地  点：6-402会议室

主办单位：数据科学学院浙江省“数据科学与大数据分析协同创新中心”

摘要：

在临床实践中，不同的患者对同一种治疗的反应存在很大差异，这使得生物医学逐步从传统的一刀切治疗转变为个性化医疗的新模式。所谓个性化医疗，其核心目标是根据每个个体的独特特征开发个性化药物并确定最优的治疗方案。在许多临床试验中收集到的患者疾病相关数据都是高维的，因此识别治疗决策所必需的重要变量是至关重要的。现有的方法大多数考虑的是单阶段高维数据下的最优治疗方案，然而，慢性病（如精神疾病和糖尿病等）的治疗通常是长期的，多阶段的，此时仅考虑含有高维协变量的单阶段最优治疗方案并不能很好地反映实际治疗过程。目前为止，研究高维变量下的多阶段的最优治疗方案仍是一个具有挑战的问题，现有的工作主要是从频率学派的角度出发，在惩罚的基础上选择活跃变量来获得最优的动态治疗方案。基于此，我们从贝叶斯学派考虑，提出了一种新的方法——高维贝叶斯Q-learning (HBQL)方法，解决了在贝叶斯框架下，面对高维数据该如何挑选影响治疗效果的重要变量并估计最优动态治疗方案的问题。进一步我们给出了一个抽样算法，称之为高维逆向归纳Gibbs抽样算法，并通过大量的模拟研究以及实际数据(重度抑郁症的临床试验数据(STAR*D))证明了我们方法的有效性以及可行性。

主讲人简介：

崔婷婷，理学博士，毕业于东北师范大学(2022年6月)，博士期间在统计学期刊TEST上发表一篇论文(Covariate-adjusted multiple testing in genome-wide association studies via factorial hidden Markov models)。现主要研究方向为生物统计学（多重检验、精准医疗等）。

欢迎各位老师和同学积极参加！