从删失时间-事件结局中恢复具有异质处理效应的稀疏可解释亚组
统计方法学
2023-02-27 v1 机器学习
机器学习
摘要
涉及随机实验与观测数据的研究通常包含时间-事件结局，如失效时间、死亡或不良状况发生时间。此类结局常因失访而删失，既有的统计实践倾向于通过比较处理组与对照组之间的风险比来评估疗效。本文提出一种统计方法，用于恢复相较于研究人群表现出差异处理效应的稀疏表型组（或亚型）。我们的方法将数据建模为混合模型，同时通过结构化稀疏正则化施加参数收缩。我们为所提模型给出了一种新的推断流程，并在心血管健康领域的大型标志性真实世界临床研究中展示了其在恢复稀疏表型方面的效能。
引用
@article{arxiv.2302.12504,
title = {Recovering Sparse and Interpretable Subgroups with Heterogeneous Treatment Effects with Censored Time-to-Event Outcomes},
author = {Chirag Nagpal and Vedant Sanil and Artur Dubrawski},
journal= {arXiv preprint arXiv:2302.12504},
year = {2023}
}
备注
Presented as an extended abstract at the Machine Learning for Health Symposium (ML4H) 2022