- 3 次围观
内容形式：摘要译文
为纵向治疗提供指导的临床决策支持系统不仅必须确定哪种治疗方案更优，还必须判断现有证据何时足以支持改变治疗策略。当治疗终止不可逆时，这一挑战尤为重要，因为过早停止治疗会使后续信息无法用于指导诊疗。食物过敏是一个日益严峻的公共卫生问题，可引发严重反应，并造成沉重的医疗、饮食和心理社会负担。因此，预防是临床工作的重点。在花生过敏预防中，这一纵向决策尤为关键，因为停止食用花生后，若未经重新临床评估便恢复食用，可能存在安全风险。本研究提出了一个优选治疗方案预测框架，并利用“花生过敏早期学习”（Learning Early About Peanut Allergy）试验中被分配至早期食用花生组或避免食用花生组的628名儿童的数据对其进行评估。我们首先引入了按访视建模的模型和考虑历史信息的模型，随着临床及免疫学测量数据的积累更新建议。基线时，模型对优选治疗方案的区分能力较差，但在随访期间，其可预测性显著提高，其中考虑历史信息的模型在较晚访视时的曲线下面积约为0.9。然而，在训练后施加不可逆停止食用的约束，显著降低了这些模型的性能。因此，我们开发了TreatNet，通过一个反映早期停止食用所产生后续影响的轨迹级目标函数，对各访视特异性预测器进行联合优化。在相同的不可逆约束下，TreatNet在各次随访及两种替代性的
优选治疗的定义。在基线证据有限时，TreatNet 通常维持摄入；在获得信息量更大的测量结果后，则有选择地建议停止摄入。这些发现表明，当模型训练能够反映当前行动如何限制未来选择时，纵向信息最能发挥作用。尽管 TreatNet 是在花生过敏预防情境下接受评估的，但它为涉及不可逆或难以逆转的治疗变更的决策支持问题提供了通用框架。
关键词：花生过敏预防 · 纵向治疗决策 · 临床决策支持 · 不可逆治疗中止 · 历史感知预测 · 轨迹感知学习
原文链接：https://www.biorxiv.org/content/10.64898/2026.10.09.757908v1?rss=1