Abstract
本研究では、リスクが未知のロジスティックモデルに従う場合の2値の疾病アウトカムに対する逐次検定を扱う。各ラウンドにおいて、意思決定者は、真のラベルを明らかにする検査に費用を払うか、患者の特徴量と過去データに基づいてアウトカムを予測するかを選択できる。目的は、誤分類率が確率少なくとも 1- で
\alpha 未満に保たれつつ、有用な検査コストを最小化することである。我々は、ロジスティックスコアに保守的なしきい値を用いて検査すべきタイミングを判断することで、ロジスティックパラメータ \theta^{\star} と特徴量分布を同時に推定する手法を提案する。本手続きが高い確率で目標誤差を達成し、完全な知識を持つオラクルに比べて必要となる追加検査数が O(\sqrt{T}) に抑えられることを証明する。これは、誤差制約付きロジスティック検定に対する初めての no-regret 保証であり、医療スクリーニングへの直接の応用がある。シミュレーションにより理論結果が裏付けられ、少数の追加検査で患者の安全な分類と \theta^{\star} の効率的な推定が達成されることが示される。
