估计异质性幸存者因果效应的贝叶斯机器学习方法：在重症监护试验中的应用
应用统计
2024-10-29 v3
摘要
受急性呼吸窘迫综合征网络（ARDSNetwork）ARDS 呼吸管理（ARMA）试验的启发，我们开发了一种灵活的贝叶斯机器学习方法，用于在临床结局受截断时，估计始终幸存者层中的平均因果效应与异质性因果效应。我们采用贝叶斯加性回归树（BART）灵活地为潜在结局与潜在层归属分别建模。在 ARMA 试验的分析中，我们发现低潮气量治疗对罹患急性肺损伤的参与者在回家时间这一结局上具有总体益处，但在始终幸存者中存在显著的治疗效应异质性，其最强驱动因素为性别与基线时的肺泡-动脉氧分压差（一项肺功能与低氧血症来源的生理学指标）。这些发现说明了所提方法如何指导该领域未来试验的预后富集。我们还通过模拟研究证明，相较于其他参数方法，我们提出的贝叶斯机器学习方法在降低始终幸存者的平均因果效应与异质性因果效应估计偏差方面表现更优。
引用
@article{arxiv.2204.06657,
title = {A Bayesian Machine Learning Approach for Estimating Heterogeneous Survivor Causal Effects: Applications to a Critical Care Trial},
author = {Xinyuan Chen and Michael O. Harhay and Guangyu Tong and Fan Li},
journal= {arXiv preprint arXiv:2204.06657},
year = {2024}
}
备注
arXiv admin note: text overlap with arXiv:1706.06611 by other authors