复合处理与复合结局的个体化处理效应估计
摘要
估计个体化处理效应（ITE）——即一组变量（也称为暴露、处理、行动、政策或干预），称为 \textit{composite treatments}，对一组感兴趣的结局变量，称为 \textit{composite outcomes}，对单个单元从观测数据中的因果效应——仍然是因果推断中的一个基本问题，其应用横跨多个学科，如医疗保健、经济学、教育、社会科学、市场营销和计算机科学。先前在 ITE 估计的因果机器学习工作仅限于简单场景，如单一处理和单一结局。这阻碍了它们在复杂现实场景中的应用；例如，考虑研究不同的 ICU 干预措施（如β受体阻滞剂和他汀类药物）对心脏手术患者不同结局（如心房颤动和住院死亡率）的影响。对 \textit{composite treatments} 和 \textit{composite outcomes} 的研究有限，主要是因为所有处理和结局的数据稀缺。为应对上述挑战，我们提出了一种新颖且创新的基于超网络的方法，称为 \emph{H-Learner}，用于在 \textit{composite treatments} 和 \textit{composite outcomes} 下进行 ITE 估计，该方法通过在处理和结局之间动态共享信息来解决数据稀缺问题。我们对二元及任意 \textit{composite treatments} 和 \textit{composite outcomes} 的实证分析表明，所提方法相较于现有方法具有有效性。
引用
@article{arxiv.2502.08282,
title = {Individualised Treatment Effects Estimation with Composite Treatments and Composite Outcomes},
author = {Vinod Kumar Chauhan and Lei Clifton and Gaurav Nigam and David A. Clifton},
journal= {arXiv preprint arXiv:2502.08282},
year = {2025}
}
备注
Accepted to The 47th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (7 pages (double column), 4 figures)