多研究因果森林 (MCF)：一种在存在变化的治疗效应异质性时进行数据借用的灵活框架
统计方法学
2025-02-05 v1
摘要
为特定个体定制治疗方案可以改善健康结局，但单一研究可能为此提供的信息不足。利用被认为与主要数据源“最相似”的辅助数据源信息的能力已被证明可以改善治疗效应的估计。在本文中，我们引入了一个框架，即多研究因果森林 (MCF)，以在存在“变化的来源”的治疗效应异质性时，从辅助数据源借用个体患者级别的数据。我们利用模拟研究证明了 MCF 在存在变化的治疗分配模型（研究间异质性）以及能够考虑研究内异质性存在的情况下的优越性。该方法可以结合来自随机对照试验、观察性研究或两者结合的数据。我们使用乳腺癌数据说明，与现有方法相比，MCF 在存在变化的（研究间和研究内）异质性来源时表现良好。
引用
@article{arxiv.2502.02110,
title = {Multi-Study Causal Forest (MCF): A flexible framework for data borrowing in the presence of varying treatment effect heterogeneity},
author = {Ashwini Venkatasubramaniam and Julian Wolfson},
journal= {arXiv preprint arXiv:2502.02110},
year = {2025}
}
备注
5 figures