論文の概要: Targeted learning of heterogeneous treatment effect curves for right censored or left truncated time-to-event data
- arxiv url: http://arxiv.org/abs/2603.26502v1
- Date: Fri, 27 Mar 2026 15:08:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-30 21:49:48.562163
- Title: Targeted learning of heterogeneous treatment effect curves for right censored or left truncated time-to-event data
- Title（参考訳）: 右区切り・左区切りデータに対する不均質処理効果曲線のターゲット学習
- Authors: Matthew Pryce, Karla Diaz-Ordaz, Ruth H. Keogh, Stijn Vansteelandt,
- Abstract要約: 2つの治療条件下での生存確率の差を推定する学習方法であるsurv-iTMLEを導入する。
既存の推定装置とは異なり、surv-iTMLEは、時間とともに推定された処理効果曲線の滑らかさとバウンドネスを保ちながら、左トランケーションと右検閲の両方を許容する。
有限標本における時間変化効果推定の偏りや滑らかさの観点から,surv-iTMLEは既存手法よりも優れていることを示す。
- 参考スコア（独自算出の注目度）: 1.360712433091342
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In recent years, there has been growing interest in causal machine learning estimators for quantifying subject-specific effects of a binary treatment on time-to-event outcomes. Estimation approaches have been proposed which attenuate the inherent regularisation bias in machine learning predictions, with each of these estimators addressing measured confounding, right censoring, and in some cases, left truncation. However, the existing approaches are found to exhibit suboptimal finite-sample performance, with none of the existing estimators fully leveraging the temporal structure of the data, yielding non-smooth treatment effects over time. We address these limitations by introducing surv-iTMLE, a targeted learning procedure for estimating the difference in the conditional survival probabilities under two treatments. Unlike existing estimators, surv-iTMLE accommodates both left truncation and right censoring while enforcing smoothness and boundedness of the estimated treatment effect curve over time. Through extensive simulation studies under both right censoring and left truncation scenarios, we demonstrate that surv-iTMLE outperforms existing methods in terms of bias and smoothness of time-varying effect estimates in finite samples. We then illustrate surv-iTMLE's practical utility by exploring heterogeneity in the effects of immunotherapy on survival among non-small cell lung cancer (NSCLC) patients, revealing clinically meaningful temporal patterns that existing estimators may obscure.
- Abstract（参考訳）: 近年,2値処理の主観的効果を定量化するための因果的機械学習推定器への関心が高まっている。
機械学習予測における固有正規化バイアスを緩和する推定手法が提案されている。
しかし、既存の手法は、データの時間的構造を完全に活用し、時間とともに非滑らかな処理効果をもたらすような、最適以下の有限サンプル性能を示す。
2つの治療条件下での条件生存確率の差を推定するための目標学習手順であるsurv-iTMLEを導入することで、これらの制限に対処する。
既存の推定装置とは異なり、surv-iTMLEは、時間とともに推定された処理効果曲線の滑らかさとバウンドネスを保ちながら、左トランケーションと右検閲の両方を許容する。
右の検閲と左のトランケーションの両方のシナリオ下での広範なシミュレーション研究を通じて、surv-iTMLEは、有限標本における時間変化効果推定のバイアスと滑らかさの点で、既存の手法よりも優れていることを示した。
免疫療法が非小細胞肺癌 (NSCLC) の生存に及ぼす影響について検討し, 臨床的に有意な側頭葉パターンが明らかとなった。
関連論文リスト
- Overlap-weighted orthogonal meta-learner for treatment effect estimation over time [90.46786193198744]
ヘテロジニアス治療効果(HTE)を推定するための新しい重み付きメタラーナーを提案する。
我々のWO-Larnerは、ノイマン直交性(Neyman-orthogonality)の好ましい性質を持ち、ニュアンス関数の誤特定に対して堅牢である。
我々のWO-learnerは完全にモデルに依存しず、あらゆる機械学習モデルに適用可能であることを示す。
論文 参考訳（メタデータ） (2025-10-22T14:47:57Z) - Beyond the ATE: Interpretable Modelling of Treatment Effects over Dose and Time [46.2482873419289]
本研究では, 治療効果トラジェクトリを線量および時間とともに滑らかな表面としてモデル化する枠組みを提案する。
本研究は, 臨床的に有意な特性の特定から, 軌道形状の推定を分離する。
本手法は, 処理力学の精度, 解釈可能, 編集可能なモデルを生成する。
論文 参考訳（メタデータ） (2025-07-09T20:33:33Z) - Difference-in-Differences with Time-varying Continuous Treatments using Double/Debiased Machine Learning [0.0]
本稿では,連続処理と複数期間の差分差分法(DiD)を提案する。
本フレームワークは,2つの非ゼロ治療用量の比較において,平均治療効果(ATET)を評価する。
論文 参考訳（メタデータ） (2024-10-28T15:10:43Z) - Efficient estimation of weighted cumulative treatment effects by
double/debiased machine learning [3.086361225427304]
重み付き累積因果効果に対する一段階のクロスフィット型2重/脱バイアス型機械学習推定器を提案する。
本稿では,イギリスのプライマリ・ケア・データベースからの実世界観測データに提案手法を適用し,抗糖尿病薬のがん効果の比較を行った。
論文 参考訳（メタデータ） (2023-05-03T18:19:18Z) - TCFimt: Temporal Counterfactual Forecasting from Individual Multiple
Treatment Perspective [50.675845725806724]
個別多面的治療の観点からの時間的対実予測の包括的枠組み(TCFimt)を提案する。
TCFimtは、選択と時間変化バイアスを軽減するためにSeq2seqフレームワークの逆タスクを構築し、比較学習ベースのブロックを設計し、混合処理効果を分離した主治療効果と因果相互作用に分解する。
提案手法は, 特定の治療法による今後の結果予測と, 最先端手法よりも最適な治療タイプとタイミングを選択する上で, 良好な性能を示す。
論文 参考訳（メタデータ） (2022-12-17T15:01:05Z) - Predicting the impact of treatments over time with uncertainty aware
neural differential equations [2.099922236065961]
本稿では,治療の効果を時間とともに予測する新しい手法であるCounterfactual ODEを提案する。
CF-ODEが従来よりも精度の高い予測と信頼性の高い不確実性推定を提供することを示す。
論文 参考訳（メタデータ） (2022-02-24T09:50:02Z) - 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) - CDSM -- Casual Inference using Deep Bayesian Dynamic Survival Models [3.9169188005935927]
我々はベイジアン・リカレント・サブネットワークを用いた潜在的結果フレームワークを用いて生存曲線の差を推定する因果的動的生存モデル(CDSM)を開発した。
シミュレーションされたサバイバルデータセットを使用して、CDSMはサンプル寸法、イベントレート、結束および重複のシナリオにわたる良好な因果効果推定性能を示した。
論文 参考訳（メタデータ） (2021-01-26T09:15:49Z) - 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) - On the role of surrogates in the efficient estimation of treatment effects with limited outcome data [43.17788100119767]
一次利害関係にない結果のみを代理する単位にデータを組み込むことは、ATE推定の精度を高めることができる。
我々は,これらの効率向上を実現するために,ロバストなATE推定と推論手法を開発した。
論文 参考訳（メタデータ） (2020-03-27T13:31:49Z)
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。