論文の概要: Estimating Heterogeneous Treatment Effects on Survival Outcomes Using Counterfactual Censoring Unbiased Transformations
- arxiv url: http://arxiv.org/abs/2401.11263v2
- Date: Fri, 27 Sep 2024 13:15:36 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-09 05:17:11.970297
- Title: Estimating Heterogeneous Treatment Effects on Survival Outcomes Using Counterfactual Censoring Unbiased Transformations
- Title（参考訳）: 非バイアス変換による不均一処理が生存率に及ぼす影響の推定
- Authors: Shenbo Xu, Raluca Cobzaru, Stan N. Finkelstein, Roy E. Welsch, Kenney Ng, Zach Shahn,
- Abstract要約: 観測データからヘテロジニアス処理効果 (HTE) を推定する方法は, 連続的あるいは2次的な結果に大きく焦点が当てられている。
我々は、競合するリスクを伴わずに生存結果の検閲未バイアス変換(CUT)を開発する。
- 参考スコア（独自算出の注目度）: 1.9785304593748243
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Methods for estimating heterogeneous treatment effects (HTE) from observational data have largely focused on continuous or binary outcomes, with less attention paid to survival outcomes and almost none to settings with competing risks. In this work, we develop censoring unbiased transformations (CUTs) for survival outcomes both with and without competing risks. After converting time-to-event outcomes using these CUTs, direct application of HTE learners for continuous outcomes yields consistent estimates of heterogeneous cumulative incidence effects, total effects, and separable direct effects. Our CUTs enable application of a much larger set of state of the art HTE learners for censored outcomes than had previously been available, especially in competing risks settings. We provide generic model-free learner-specific oracle inequalities bounding the finite-sample excess risk. The oracle efficiency results depend on the oracle selector and estimated nuisance functions from all steps involved in the transformation. We demonstrate the empirical performance of the proposed methods in simulation studies.
- Abstract（参考訳）: 観察データからヘテロジニアス処理効果(HTE)を推定する方法は、生存結果にはあまり注意を払わず、競合するリスクを伴う設定にはほとんど注意を払わなかった。
本研究では, 競合リスクの有無にかかわらず, 生き残るための非バイアス変換(CUT)の検閲を開発する。
これらのCUTを用いて時間と結果の変換を行った後、HTE学習者の連続的な結果への直接適用により、異種累積帰納効果、全効果、分離可能な直接効果の一貫性のある推定が得られる。
我々のCUTは、これまで利用できたものよりもはるかに大きな、最先端のHTE学習者を、特に競合するリスク設定において、検閲された結果に適用することができる。
有限サンプル超過リスクに縛られる一般モデルフリー学習者固有のオラクル不等式を提供する。
オラクル効率は、変換に関わるすべてのステップからのオラクルセレクタと推定ニュアンス関数に依存する。
シミュレーション研究において提案手法の実証的な性能を示す。
関連論文リスト
- Causal machine learning for heterogeneous treatment effects in the presence of missing outcome data [0.9087641068861047]
条件付き平均治療効果(CATE)に対する因果的機械学習推定器に欠落した結果データが与える影響について論じる。
我々はCATE(mDR-learner)とmEP-learner(mEP-learner)の2つの非バイアス機械学習推定器を提案する。
論文 参考訳（メタデータ） (2024-12-27T16:10:03Z) - Quantifying Aleatoric Uncertainty of the Treatment Effect: A Novel Orthogonal Learner [72.20769640318969]
医療の安全性と有効性を理解するためには,観測データから因果量の推定が重要である。
医療従事者は、平均因果量の推定だけでなく、治療効果のランダム性をランダムな変数として理解する必要がある。
このランダム性はアレタリック不確実性と呼ばれ、治療効果の利益や量子化の確率を理解するために必要である。
論文 参考訳（メタデータ） (2024-11-05T18:14:49Z) - Generalized Encouragement-Based Instrumental Variables for Counterfactual Regression [33.869488994843394]
本稿では,条件平均処理効果(CATE)を促進度の変化を用いて同定するための新しい理論とアルゴリズムを提案する。
本稿では、観察データと奨励データの両方を活用することで、因果効果を効果的に推定するために、Encouragement-based Counterfactual Regression (EnCounteR) と呼ばれる一般化IV推定器を提案する。
論文 参考訳（メタデータ） (2024-08-10T04:21:04Z) - Robust and Agnostic Learning of Conditional Distributional Treatment
Effects [62.44901952244514]
条件平均治療効果(CATE)は、個々の因果効果の最適点予測である。
集約分析では、通常は分布処理効果(DTE)の測定によって対処される。
我々は,多種多様な問題に対して条件付きDTE(CDTE)を学習するための,新しい堅牢でモデルに依存しない手法を提供する。
論文 参考訳（メタデータ） (2022-05-23T17:40:31Z) - Treatment Effect Risk: Bounds and Inference [58.442274475425144]
平均的な治療効果は社会福祉の変化を測定するため、たとえ肯定的であっても、人口の約10%に悪影響を及ぼすリスクがある。
本稿では,ICT分布のリスク条件値(CVaR)として定式化されたこの重要なリスク尺度をどう評価するかを検討する。
いくつかの境界は、複素CATE関数を単一の計量に要約したものと解釈することもでき、有界であることとは無関係に興味を持つ。
論文 参考訳（メタデータ） (2022-01-15T17:21:26Z) - SurvITE: Learning Heterogeneous Treatment Effects from Time-to-Event
Data [83.50281440043241]
時系列データから不均一な処理効果を推定する問題について検討する。
本稿では,バランス表現に基づく治療特異的ハザード推定のための新しいディープラーニング手法を提案する。
論文 参考訳（メタデータ） (2021-10-26T20:13:17Z) - Estimating heterogeneous survival treatment effect in observational data
using machine learning [9.951103976634407]
観測データにおける不均一な処理効果を推定する方法は, 連続的あるいは二分的な結果に大きく焦点を絞っている。
対物的フレームワークで柔軟な機械学習手法を使用することは、複雑な個人特性による課題に対処するための有望なアプローチである。
論文 参考訳（メタデータ） (2020-08-17T01:02:14Z) - Enabling Counterfactual Survival Analysis with Balanced Representations [64.17342727357618]
生存データは様々な医学的応用、すなわち薬物開発、リスクプロファイリング、臨床試験で頻繁に見られる。
本稿では,生存結果に適用可能な対実的推論のための理論的基盤を持つ統一的枠組みを提案する。
論文 参考訳（メタデータ） (2020-06-14T01:15:00Z) - Generalization Bounds and Representation Learning for Estimation of
Potential Outcomes and Causal Effects [61.03579766573421]
代替薬に対する患者一人の反応など,個人レベルの因果効果の推定について検討した。
我々は,表現の誘導的処理群距離を正規化することにより,境界を最小化する表現学習アルゴリズムを考案した。
これらのアルゴリズムを拡張して、重み付き表現を同時に学習し、治療群距離をさらに削減する。
論文 参考訳（メタデータ） (2020-01-21T10:16:33Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。