論文の概要: Synthetic Survival Control: Extending Synthetic Controls for "When-If" Decision
- arxiv url: http://arxiv.org/abs/2511.14133v1
- Date: Tue, 18 Nov 2025 04:36:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-19 16:23:52.937739
- Title: Synthetic Survival Control: Extending Synthetic Controls for "When-If" Decision
- Title（参考訳）: 合成生存制御:「いつ」決定のための合成制御の拡張
- Authors: Jessy Xinyi Han, Devavrat Shah,
- Abstract要約: 観測データからの時間-時間結果に対する因果効果の推定は,検閲,サンプルサイズ制限,非ランダム処理の割り当てなどにより困難である。
本稿では,パネルデータ設定において,有害事象を推定するためのSSC(Synthetic Survival Control)を提案する。
- 参考スコア（独自算出の注目度）: 14.313335826236722
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Estimating causal effects on time-to-event outcomes from observational data is particularly challenging due to censoring, limited sample sizes, and non-random treatment assignment. The need for answering such "when-if" questions--how the timing of an event would change under a specified intervention--commonly arises in real-world settings with heterogeneous treatment adoption and confounding. To address these challenges, we propose Synthetic Survival Control (SSC) to estimate counterfactual hazard trajectories in a panel data setting where multiple units experience potentially different treatments over multiple periods. In such a setting, SSC estimates the counterfactual hazard trajectory for a unit of interest as a weighted combination of the observed trajectories from other units. To provide formal justification, we introduce a panel framework with a low-rank structure for causal survival analysis. Indeed, such a structure naturally arises under classical parametric survival models. Within this framework, for the causal estimand of interest, we establish identification and finite sample guarantees for SSC. We validate our approach using a multi-country clinical dataset of cancer treatment outcomes, where the staggered introduction of new therapies creates a quasi-experimental setting. Empirically, we find that access to novel treatments is associated with improved survival, as reflected by lower post-intervention hazard trajectories relative to their synthetic counterparts. Given the broad relevance of survival analysis across medicine, economics, and public policy, our framework offers a general and interpretable tool for counterfactual survival inference using observational data.
- Abstract（参考訳）: 観測データからの時系列結果に対する因果効果の推定は, 検閲, サンプルサイズ制限, 非ランダム処理の割り当てなどにより, 特に困難である。
イベントのタイミングが特定の介入の下でどのように変化するか、という「いつ」の問いに答える必要がある。
これらの課題に対処するために、複数のユニットが複数の期間にわたって異なる治療を受ける可能性のあるパネル・データ・セッティングにおいて、カウンターファクト・ハザード・トラジェクトリを推定するために、SSC(Synthetic Survival Control)を提案する。
このような設定では、SSCは、他の単位から観測された軌道の重み付けされた組み合わせとして、関心単位に対する対実的ハザード軌道を推定する。
そこで我々は, 因果的生存分析のための低ランク構造を有するパネルフレームワークを提案する。
実際、そのような構造は古典的なパラメトリックサバイバルモデルの下で自然に生じる。
このフレームワーク内では、因果推定のために、SSCの識別と有限標本保証を確立する。
がん治療結果の多国間臨床データセットを用いてアプローチを検証する。
実験的に,新規治療へのアクセスが生存率の向上に結びついていることが判明した。
医学,経済学,公共政策における生存分析の幅広い関連性を考えると,我々の枠組みは,観測データを用いた現実的生存推定のための汎用的・解釈可能なツールを提供する。
関連論文リスト
- Predictive Causal Inference via Spatio-Temporal Modeling and Penalized Empirical Likelihood [0.0]
本研究では,従来の単一モデルアプローチの制約を克服する目的で設計された,予測因果推論のための統合フレームワークを提案する。
具体的には、空間的健康状態推定のための隠れマルコフモデルと、時間的結果の軌跡を捉えるためのマルチタスクとマルチグラフ畳み込みネットワーク(MTGCN)を組み合わせる。
有用性を示すために,がん,認知症,パーキンソン病などの臨床領域に焦点を当て,治療効果を直接観察することが困難である。
論文 参考訳（メタデータ） (2025-07-11T03:11:15Z) - GST-UNet: A Neural Framework for Spatiotemporal Causal Inference with Time-Varying Confounding [46.46135774964818]
データから因果効果を推定することは、公衆衛生、環境科学、政策評価において不可欠である。
本稿では、U-Netベースの時間エンコーダと回帰ベースの反復G-mputationを組み合わせたニューラルネットワークフレームワークであるGST-UNetを紹介する。
本研究は,カリフォルニアキャンプ火災時の山火事煙曝露および呼吸器病院の総合実験および実世界の分析において,その効果を検証した。
論文 参考訳（メタデータ） (2025-02-07T19:56:01Z) - Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。
また,死亡率と臓器不全の関連性について有意な知見が得られた。
論文 参考訳（メタデータ） (2024-07-28T02:42:36Z) - Continuous-Time Modeling of Counterfactual Outcomes Using Neural
Controlled Differential Equations [84.42837346400151]
反現実的な結果を予測することは、パーソナライズされたヘルスケアをアンロックする可能性がある。
既存の因果推論アプローチでは、観察と治療決定の間の通常の離散時間間隔が考慮されている。
そこで本研究では,腫瘍増殖モデルに基づく制御可能なシミュレーション環境を提案する。
論文 参考訳（メタデータ） (2022-06-16T17:15:15Z) - 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) - A Deep Variational Approach to Clustering Survival Data [5.871238645229228]
変分深層クラスタリングにおけるクラスタサバイバルデータに対する新しい確率的アプローチを提案する。
提案手法は,説明変数と潜在的に検閲された生存時間の両方の分布を明らかにするために,深い生成モデルを用いている。
論文 参考訳（メタデータ） (2021-06-10T14:10:25Z) - MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。
我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。
我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
論文 参考訳（メタデータ） (2020-10-08T15:30:17Z) - 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。