用凸包推广临床试验
机器学习
2022-10-31 v2 机器学习
统计方法学
摘要
随机临床试验消除了混杂，但施加了严格的排除标准，将招募限制于人群的一个子集。观察性数据集更具包容性但受混杂影响——由于部分优化的医生处方模式，常常给出随时间推移过于乐观的治疗反应估计。因此我们假定，无混杂的治疗反应位于治疗前观察性估计与治疗分配后观察性估计之间。该假设使我们能够通过使用一种称为凸包内最优（OCH）的算法同时分析观察性与试验数据，将排他性试验的结果外推至更广泛人群。OCH 将治疗效应表示为条件期望的凸包或条件密度的凸包（亦称混合）。该算法首先利用观察性数据学习分量期望或密度，然后利用试验数据学习线性混合系数，以逼近真实治疗效应；理论重要地解释了为何该线性组合成立。OCH 在期望与密度两方面均以最先进的精度估计治疗效应。
引用
@article{arxiv.2111.13229,
title = {Generalizing Clinical Trials with Convex Hulls},
author = {Eric V. Strobl and Thomas A. Lasko},
journal= {arXiv preprint arXiv:2111.13229},
year = {2022}
}