基于子群识别的异质处理效应估计：针对阿片类药物滥用 disorders 的个体化医疗
机器学习
2024-01-31 v1
摘要
深度学习模型在估计处理效应（TEE）方面显示出有前景的效果。然而，这些模型大多忽略了不同子群中处理结果差异的存在。这一局限性阻碍了其为特定子群提供准确估计和治疗建议的能力。本研究引入了一种新型基于神经网络的框架，称为 SubgroupTE，它集成了子群识别和治疗效应估计。SubgroupTE 识别出多样化的子群，并为每个子群同时估计治疗效应，从而通过考虑治疗反应的异质性来改进治疗效应估计。在合成数据上的比较实验表明，SubgroupTE 在治疗效应估计方面优于现有模型。此外，针对与阿片类药物滥用（OUD）相关的真实数据集的实验表明，我们的方法具有潜力可增强针对 OUD 患者的个体化治疗建议。
引用
@article{arxiv.2401.17027,
title = {Heterogeneous treatment effect estimation with subpopulation identification for personalized medicine in opioid use disorder},
author = {Seungyeon Lee and Ruoqi Liu and Wenyu Song and Ping Zhang},
journal= {arXiv preprint arXiv:2401.17027},
year = {2024}
}
备注
2023 IEEE International Conference on Data Mining (ICDM)