G-estimation of dynamic treatment regimes in the presence of shared parameters

Personalized medicine is gaining attention as a promising avenue for improved healthcare, and hasreceived increased research interest in many domains. A dynamic treatment regime (DTR) is oneapproach to personalized medicine, which has as its basis sequential (in terms of treatment stages)decision rules that are based on a patient’s personal, and evolving, medical history. In this work, I focuson G-estimation, a regression-based approach to estimating the parameters of a DTR, in the specificsetting where treatment decision rule parameters may be shared across different stages of the treatmentsequence.In this thesis, a new computational method is introduced to perform shared-parameter G-estimation.The new method shares similar theoretical properties with the original, “unshared” sequential G-estimation:the new approach retains the double-robustness property, which ensures consistent estimation as longas one of (i) the expected treatment-free outcome model or (ii) the treatment model is correctly specified.Simulation studies are conducted to test the validity and performance of the shared G-estimation.In addition, comparisons between unshared and shared Q-learning, unshared sequential G-estimation,and shared-parameter G-estimation are made in terms of bias and variance. The shared parameterG-estimation method is applied to the data from the the STAR*D (NIMH Sequenced Treatment Alternativesto Relieve Depression) randomized trial to estimate the optimal shared-parameter DTR aimedat reducing symptoms of depression.La médecine personnalisée attire l’attention comme une avenue prometteuse pour l’amélioration dessoins de santé et a suscité un intérêt croissant pour la recherche dans de nombreux domaines. A régime detraitement dynamique (DTR) est une approche de la médecine personnalisée, qui a comme base les règlesde décision séquentielles (en termes de niveaux de traitement) basées sur l’histoire médicale personnelleet évolutive d’un patient. Dans ce travail, je me concentre sur l’estimation G, une approche basée sur larégression pour estimer les paramètres d’une DTR, dans le cadre spécifique où les paramètres de la règlede décision de traitement peuvent être partagés entre différents stades de la séquence de traitement.Dans cette thèse, une nouvelle méthode de calcul est introduite pour effectuer une estimation Gpartagée. La nouvelle méthode partage des propriétés théoriques similaires avec l’estimation séquentielleinitiale "non partagée": La nouvelle méthode conserve la propriété double robustesse, ce qui garantit uneestimation constante aussi longtemps que l’un des (i) le modèle de résultat sans traitement attendu ou(ii) le modèle de traitement est correctement spécifié. Des études de simulation sont menées pour testerla validité et la performance de l’estimation G partagée. En outre, les comparaisons entre l’apprentissageQ non partagé et partagé, l’estimation G séquentielle non partagée et l’estimation G partagée sont faitesen termes de biais et de variance. La méthode d’estimation G du paramètre partagé est appliquée auxdonnées provenant de l’essai randomisé STAR*D (NIMH Sequenced Treatment Alternatives to RelieveDepression) pour estimer le DTR optimal des paramètres partagés visant à réduire les symptômes de ladépression