arXiv:2605.29464v1 Announce Type: new 
Abstract: In randomized trials involving multiple treatments, bivariate survival outcomes present significant analytical challenges for making decisions. This paper addresses the problem of deriving optimal individualized treatment rules to maximize the joint survival probability beyond fixed time points $(t_1, t_2)$ through deep neural networks, while accounting for right censoring. We propose a novel approach that models treatment rules via stochastic policies, coupling marginal accelerated failure time models via link function to capture bivariate dependence. To enhance robustness and effectiveness of decision making, we introduce an adaptive prediction-powered method that leverages auxiliary predictions from machine learning models.

دراسة جديدة نشرت على arXiv تقدم طريقة لاشتقاق قواعد علاج فردية مثلى لنتائج البقاء الثنائية باستخدام الشبكات العصبية العميقة. تتناول هذه الطريقة التعقيدات المتعلقة بالتجارب العشوائية التي تشمل علاجات متعددة والتقطيع الأيمن، وتقترح نموذج سياسة عشوائية يلتقط الاعتماد الثنائي من خلال نماذج زمن الفشل المعجل.

Un nuevo estudio publicado en arXiv presenta un método para derivar reglas de tratamiento individualizadas óptimas para resultados de supervivencia bivariados utilizando redes neuronales profundas. Este enfoque aborda las complejidades de los ensayos aleatorizados que involucran múltiples tratamientos y la censura a la derecha, proponiendo un modelo de política estocástica que captura la dependencia bivariada a través de modelos de tiempo de falla acelerada.

Une nouvelle étude publiée sur arXiv présente une méthode pour dériver des règles de traitement individualisées optimales pour des résultats de survie bivariés en utilisant des réseaux de neurones profonds. Cette approche aborde les complexités des essais randomisés impliquant plusieurs traitements et la censure à droite, en proposant un modèle de politique stochastique qui capture la dépendance bivariée à travers des modèles de temps d'échec accéléré.

A new study published on arXiv introduces a method for deriving optimal individualized treatment rules for bivariate survival outcomes using deep neural networks. This approach addresses the complexities of randomized trials involving multiple treatments and right censoring, proposing a stochastic policy model that captures bivariate dependence through accelerated failure time models.