Personalized medicine, a paradigm of medicine tailored to a patient's characteristics, is an increasingly attractive field in health care. An important goal of personalized medicine is to identify a subgroup of patients, based on baseline covariates, that benefits more from the targeted treatment than other comparative treatments. Most of the current subgroup identification methods only focus on obtaining a subgroup with an enhanced treatment effect without paying attention to subgroup size. Yet, a clinically meaningful subgroup learning approach should identify the maximum number of patients who can benefit from the better treatment. In this article, we present an optimal subgroup selection rule (SSR) that maximizes the number of selected patients, and in the meantime, achieves the pre-specified clinically meaningful mean outcome, such as the average treatment effect. We derive two equivalent theoretical forms of the optimal SSR based on the contrast function that describes the treatment-covariates interaction in the outcome. We further propose a constrained policy tree search algorithm (CAPITAL) to find the optimal SSR within the interpretable decision tree class. The proposed method is flexible to handle multiple constraints that penalize the inclusion of patients with negative treatment effects, and to address time to event data using the restricted mean survival time as the clinically interesting mean outcome. Extensive simulations, comparison studies, and real data applications are conducted to demonstrate the validity and utility of our method.

中文翻译：

---

CAPITAL：通过受约束的策略树搜索进行最佳子组识别

个性化医疗是一种针对患者特征量身定制的医学范式，是医疗保健领域越来越有吸引力的领域。个性化医疗的一个重要目标是根据基线协变量确定一个患者亚组，与其他比较治疗相比，这些患者从靶向治疗中获益更多。目前大多数亚组识别方法只关注获得治疗效果增强的亚组，而没有关注亚组的大小。然而，具有临床意义的亚组学习方法应该确定可以从更好的治疗中受益的最大患者数量。在本文中，我们提出了一个最佳亚组选择规则 (SSR)，它可以最大限度地增加所选患者的数量，同时实现预先指定的具有临床意义的平均结果，比如平均治疗效果。我们基于描述结果中治疗协变量相互作用的对比函数推导出两种等效的最佳 SSR 理论形式。我们进一步提出了一种约束策略树搜索算法（CAPITAL），以在可解释的决策树类中找到最佳 SSR。所提出的方法可以灵活地处理多种约束，这些约束会惩罚包含具有负面治疗效果的患者，并使用受限的平均生存时间作为临床上有趣的平均结果来处理事件时间数据。进行了广泛的模拟、比较研究和实际数据应用，以证明我们方法的有效性和实用性。我们基于描述结果中治疗协变量相互作用的对比函数推导出两种等效的最佳 SSR 理论形式。我们进一步提出了一种约束策略树搜索算法（CAPITAL），以在可解释的决策树类中找到最佳 SSR。所提出的方法可以灵活地处理多种约束，这些约束会惩罚包含具有负面治疗效果的患者，并使用受限的平均生存时间作为临床上有趣的平均结果来处理事件时间数据。进行了广泛的模拟、比较研究和实际数据应用，以证明我们方法的有效性和实用性。我们基于描述结果中治疗协变量相互作用的对比函数推导出两种等效的最佳 SSR 理论形式。我们进一步提出了一种约束策略树搜索算法（CAPITAL），以在可解释的决策树类中找到最佳 SSR。所提出的方法可以灵活地处理多种约束，这些约束会惩罚包含具有负面治疗效果的患者，并使用受限的平均生存时间作为临床上有趣的平均结果来处理事件时间数据。进行了广泛的模拟、比较研究和实际数据应用，以证明我们方法的有效性和实用性。我们进一步提出了一种约束策略树搜索算法（CAPITAL），以在可解释的决策树类中找到最佳 SSR。所提出的方法可以灵活地处理多种约束，这些约束会惩罚包含具有负面治疗效果的患者，并使用受限的平均生存时间作为临床上有趣的平均结果来处理事件时间数据。进行了广泛的模拟、比较研究和实际数据应用，以证明我们方法的有效性和实用性。我们进一步提出了一种约束策略树搜索算法（CAPITAL），以在可解释的决策树类中找到最佳 SSR。所提出的方法可以灵活地处理多种约束，这些约束会惩罚包含具有负面治疗效果的患者，并使用受限的平均生存时间作为临床上有趣的平均结果来处理事件时间数据。进行了广泛的模拟、比较研究和实际数据应用，以证明我们方法的有效性和实用性。