SubgroupTE：通过亚组识别推进治疗效果估计
机器学习
2024-01-24 v1 统计方法学
摘要
精确估计治疗效果对于评估干预措施的有效性至关重要。虽然深度学习模型在学习用于治疗效果估计（TEE）的反事实表示方面表现出了良好的性能，但这些模型的一个主要局限是它们将整个人群视为同质群体，忽视了潜在亚组之间治疗效果可能存在的多样性。这一局限限制了精确估计治疗效果和提供亚组特异性治疗建议的能力。在本文中，我们提出了一个名为 SubgroupTE 的新型治疗效果估计模型，它将亚组识别整合到 TEE 中。SubgroupTE 识别具有不同治疗反应的异质性亚组，并通过考虑亚组特异性因果效应来更精确地估计治疗效果。此外，SubgroupTE 迭代优化亚组划分和治疗效果估计网络，以增强估计和亚组识别。在合成和半合成数据集上的综合实验表明，与最先进的治疗效果估计模型相比，SubgroupTE 具有出色的性能。此外，一项真实世界的研究表明，SubgroupTE 能够通过亚组识别推进治疗效果估计，从而增强对阿片类药物使用障碍（OUD）患者的个性化治疗建议。
引用
@article{arxiv.2401.12369,
title = {SubgroupTE: Advancing Treatment Effect Estimation with Subgroup Identification},
author = {Seungyeon Lee and Ruoqi Liu and Wenyu Song and Lang Li and Ping Zhang},
journal= {arXiv preprint arXiv:2401.12369},
year = {2024}
}