高维下异质处理效应估计的若干方法
机器学习
2017-07-04 v1
摘要
在为患者制定治疗方案时，医生往往缺乏除医学教育和已发表临床试验之外的定量证据来支持决策。仅斯坦福医疗就拥有数百万电子病历（EMR），这些记录直到最近才开始被用于提供更好的治疗建议。这些数据带来了独特的挑战，因为它们是高维且观测性的。我们的目标是根据与新患者相似的既往患者的预后，制定个性化治疗建议。我们提出并分析了三种利用观测数据估计异质处理效应的方法。在采用多种处理效应函数的模拟中，我们的方法表现良好，并展示了将其中两个最有前景的方法应用于 SPRINT 数据分析挑战赛数据的结果，该数据来自一项针对高血压治疗的大型随机试验。
引用
@article{arxiv.1707.00102,
title = {Some methods for heterogeneous treatment effect estimation in high-dimensions},
author = {Scott Powers and Junyang Qian and Kenneth Jung and Alejandro Schuler and Nigam H. Shah and Trevor Hastie and Robert Tibshirani},
journal= {arXiv preprint arXiv:1707.00102},
year = {2017}
}