Optimizing visit Times to improve Hypertension Management, an Application to the SPRINT Trial
We propose an extended doubly-robust approach to dynamic weighted ordinary least squares that can be used to derive optimal decision rules for visit and add-on drug treatment each month. The approach is demonstrated theoretically and in large simulation studies. It is compared with other dynamic treatment regimes approaches, such as Q-learning, that we also adapt to account for optimal visiting. Challenges in the estimation, such as longitudinal missing data, are discussed. The approach is further applied to data from the SPRINT trial in the United States to assess whether we can detect effect modification by patient characteristics, for the effect of visits and add-on treatment on a final blood pressure outcome.
Optimisation des temps de visite pour améliorer le traitement de l'hypertension, une application à l'étude SPRINT
Nous proposons une extension doublement robuste des moindres carrés ordinaires pondérés dynamiques qui peut être utilisée pour dériver des règles de décision optimales pour les visites et l'ajout ou non d'un médicament antihypertenseur chaque mois. L’approche est démontrée théoriquement et dans de grandes études en simulation. L'approche est aussi comparée à d’autres approches de régimes de traitement dynamiques, telles que le Q-learning, que nous adaptons également pour tenir compte des visites optimales. D'autres défis d'estimation, comme les données longitudinales manquantes, sont abordés. L’approche est ensuite appliquée aux données de l’essai SPRINT aux États-Unis afin d’évaluer si nous pouvons détecter une modification de l’effet par les caractéristiques du patient, pour l’effet des visites et du traitement d’appoint sur une réponse clinique reliée à la pression artérielle.
Date and Time
-
Language of Oral Presentation
French
Language of Visual Aids
English