面向存活数据的异构处理效应：通过递归插补树利用删失数据
机器学习
2025-07-30 v3 机器学习
摘要
针对个体需求制定治疗方案是医学等领域的核心目标之一。一个关键步骤是估计异构处理效应 (HTE) —— 治疗如何影响不同子群体。尽管至关重要，但在生存数据中进行 HTE 估计具有挑战性，因为直到事件发生的时间（例如死亡）是关键。在生存数据中，现有方法常常假设完全观察，尽管由于右删失，这一假设常被迫破坏，导致偏差和低效。Cui 等人 (2023) 提出了一种在无隐藏混杂物条件下，用于生存数据 HTE 估计的 doubly-robust 方法，将因果生存森林与增强逆删失加权估计器相结合。然而，我们发现它在重删失情况下表现不佳，而这在以少数结果问题（例如肌萎缩性肌萎缩症，ALS）中很常见。此外，大多数当前方法无法处理工具变量，这是因果推断工具箱中的关键工具。我们引入 Multiple Imputation for Survival Treatment Response (MISTR)，一种新颖的、通用的、非参数的方法，用于估计生存数据的 HTE。MISTR 使用递归插补生存树来处理删失，而无需直接建模删失机制。通过大量仿真和分析两个真实数据集——AIDS 临床试验组协议 175 和伊利诺伊州失业数据集，我们展示 MISTR 在无隐藏混杂物设置下在重删失情况下优于先前方法，并扩展到工具变量设置。鉴于 MISTR 是首个针对通过工具变量处理未观察混杂物的 HTE 估计的非参数方法，我们将其置于首位。
引用
@article{arxiv.2502.01575,
title = {Heterogeneous Treatment Effect in Time-to-Event Outcomes: Harnessing Censored Data with Recursively Imputed Trees},
author = {Tomer Meir and Uri Shalit and Malka Gorfine},
journal= {arXiv preprint arXiv:2502.01575},
year = {2025}
}