多域因果网络

观察性研究被视为随机试验的经济替代方案，常用来代替随机试验以研究和确定治疗疗效。由于缺乏样本量，观察性研究通常合并来自多个来源或不同站点/中心的数据。尽管增加了样本量有好处，但朴素地合并多中心数据可能导致不一致，原因包括生成队列的中心特定方案或特定于某中心的对待治疗的反应等。这些问题出现在多种其他情境中，包括捕捉与个体独特生物学特征相关的治疗效应。现有的异质治疗效应估计方法未充分解决多中心情境，而仅将其视为获得足够样本量的手段。此外，先前的治疗效应估计方法不能直接推广到多中心设计，尤其在需要为来自新的、未观测中心的患者提供治疗见解时。为解决这些不足，我们提出多域因果网络（MDCN），该方法在通过学习的新的特征嵌入处理治疗分配中的选择偏差的同时，加强相似中心间的信息共享。在实证评估中，与仅基于治疗不平衡或一般中心差异进行调整的基准相比，MDCN在估计新中心异质治疗效应时始终更准确。最后，我们提供理论分析证明我们的方法，表明MDCN改进了新、未观测目标中心的泛化界。