Optimal individualized treatment rules (ITRs) provide customized treatment recommendations based on subject characteristics to maximize clinical benefit in accordance with the objectives in precision medicine. As a result, there is growing interest in developing statistical tools for estimating optimal ITRs in evidence-based research. In health economic perspectives, policy makers consider the tradeoff between health gains and incremental costs of interventions to set priorities and allocate resources. However, most work on ITRs has focused on maximizing the effectiveness of treatment without considering costs. In this paper, we jointly consider the impact of effectiveness and cost on treatment decisions and define ITRs under a composite-outcome setting, so that we identify the most cost-effective ITR that accounts for individual-level heterogeneity through direct optimization. In particular, we propose a decision-tree–based statistical learning algorithm that uses a net-monetary-benefit–based reward to provide nonparametric estimations of the optimal ITR. We provide several approaches to estimating the reward underlying the ITR as a function of subject characteristics. We present the strengths and weaknesses of each approach and provide practical guidelines by comparing their performance in simulation studies. We illustrate the top-performing approach from our simulations by evaluating the projected 15-year personalized cost-effectiveness of the intensive blood pressure control of the Systolic Blood Pressure Intervention Trial (SPRINT) study.

中文翻译：

---

从成本效益角度估算最优个体化治疗规则

最佳个体化治疗规则 (ITR) 根据受试者特征提供定制的治疗建议，以根据精准医学的目标最大限度地提高临床效益。因此，人们越来越关注开发用于在循证研究中估算最佳 ITR 的统计工具。从健康经济学的角度来看，决策者会考虑健康收益与干预措施的增量成本之间的权衡，以确定优先事项和分配资源。然而，大多数关于 ITR 的工作都集中在最大限度地提高治疗效果，而不考虑成本。在本文中，我们共同考虑了有效性和成本对治疗决策的影响，并在综合结果设置下定义了 ITR，这样我们就可以确定最具成本效益的 ITR，它可以通过直接优化来解释个体层面的异质性。特别是，我们提出了一种基于决策树的统计学习算法，该算法使用基于净货币收益的奖励来提供最佳 ITR 的非参数估计。我们提供了几种方法来估计 ITR 背后的奖励作为主体特征的函数。我们介绍了每种方法的优点和缺点，并通过比较它们在模拟研究中的性能来提供实用指南。我们通过评估收缩压干预试验 (SPRINT) 研究的强化血压控制的预计 15 年个性化成本效益，从我们的模拟中说明表现最好的方法。我们提出了一种基于决策树的统计学习算法，该算法使用基于净货币收益的奖励来提供最佳 ITR 的非参数估计。我们提供了几种方法来估计 ITR 背后的奖励作为主体特征的函数。我们介绍了每种方法的优点和缺点，并通过比较它们在模拟研究中的性能来提供实用指南。我们通过评估收缩压干预试验 (SPRINT) 研究的强化血压控制的预计 15 年个性化成本效益，从我们的模拟中说明表现最好的方法。我们提出了一种基于决策树的统计学习算法，该算法使用基于净货币收益的奖励来提供最佳 ITR 的非参数估计。我们提供了几种方法来估计 ITR 背后的奖励作为主体特征的函数。我们介绍了每种方法的优点和缺点，并通过比较它们在模拟研究中的性能来提供实用指南。我们通过评估收缩压干预试验 (SPRINT) 研究的强化血压控制的预计 15 年个性化成本效益，从我们的模拟中说明表现最好的方法。我们提供了几种方法来估计 ITR 背后的奖励作为主体特征的函数。我们介绍了每种方法的优点和缺点，并通过比较它们在模拟研究中的性能来提供实用指南。我们通过评估收缩压干预试验 (SPRINT) 研究的强化血压控制的预计 15 年个性化成本效益，从我们的模拟中说明表现最好的方法。我们提供了几种方法来估计 ITR 背后的奖励作为主体特征的函数。我们介绍了每种方法的优点和缺点，并通过比较它们在模拟研究中的性能来提供实用指南。我们通过评估收缩压干预试验 (SPRINT) 研究的强化血压控制的预计 15 年个性化成本效益，从我们的模拟中说明表现最好的方法。