論文の概要: Estimating heterogeneous treatment effects with survival outcomes via a deep survival learner
- arxiv url: http://arxiv.org/abs/2604.10398v1
- Date: Sun, 12 Apr 2026 01:11:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-14 20:13:15.992622
- Title: Estimating heterogeneous treatment effects with survival outcomes via a deep survival learner
- Title（参考訳）: ディープサバイバル学習者による不均一治療効果の評価
- Authors: Yuming Sun, Jian Kang, Yi Li,
- Abstract要約: 生存条件における不均一な治療効果の推定は、適切な検閲と推定の時間変化によって複雑になる。
本研究では,不均一な治療効果を正しく評価する深層生存学習者を提案する。
- 参考スコア（独自算出の注目度）: 5.540352966241158
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Estimating heterogeneous treatment effects in survival settings is complicated by right censoring as well as the time-varying nature of the estimand. While the conditional average treatment effect (CATE) provides a natural target, most existing approaches focus on a single prespecified time point and do not account for the temporal trajectory, leading to instability in estimation. We propose a deep survival learner (DSL) for estimating heterogeneous treatment effects with right-censored outcomes. The method is based on a doubly robust pseudo-outcome whose conditional expectation identifies time-specific CATEs under standard assumptions. This construction remains unbiased if either the outcome model or the treatment assignment model is correctly specified, when properly accounting for censoring. To estimate CATEs over a clinically relevant time spectrum, DSL employs a multi-output deep neural network with shared representations, enabling joint estimation of treatment effect trajectories. From a theoretical perspective, we derive error bounds for both pointwise and joint estimation over time. We show that joint estimation can leverage temporal structure to control estimation error without incurring much additional approximation cost under smoothness conditions, leading to improved stability relative to separate estimation. Cross-fitting is incorporated to reduce overfitting and mitigate bias arising from flexible nuisance estimation. Simulation studies demonstrate favorable finite-sample performance, particularly under nuisance model misspecification. Applied to the Boston Lung Cancer Study, DSL reveals heterogeneity in the effects of perioperative chemotherapy across patient characteristics and over time.
- Abstract（参考訳）: 生存条件における不均一な治療効果の推定は、適切な検閲と推定の時間的変化によって複雑になる。
条件平均処理効果(CATE)は自然な目標を提供するが、既存のほとんどのアプローチは1つの所定の時間点に焦点を合わせ、時間軌道を考慮せず、推定の不安定性をもたらす。
本稿では,不均質な治療効果を正しく評価するための深層生存学習者(DSL)を提案する。
この手法は、条件付き期待値が標準仮定の下で時間固有のCATEを識別する2つの頑健な擬似アウトカムに基づいている。
この構成は、結果モデルまたは治療代入モデルのいずれかが正しく指定されている場合、検閲を適切に考慮している場合にも偏りがないままである。
臨床的に関連のある時間スペクトルでCATEを推定するために、DSLは共有表現を持つ多出力のディープニューラルネットワークを使用し、治療効果軌跡の合同推定を可能にする。
理論的な観点から、時間とともにポイントワイドとジョイント推定の両方の誤差境界を導出する。
結合推定は時間的構造を利用して,スムーズな条件下での近似コストの増大を伴わずに推定誤差を制御できることを示し,分離推定に対する安定性の向上を図った。
クロスフィッティングは、柔軟なニュアンス推定から生じる過度な適合とバイアスを軽減するために組み込まれている。
シミュレーション研究は、特にニュアンスモデルの不特定の下で、良好な有限サンプル性能を示す。
ボストン肺がん研究(Boston Lung Cancer Study)に応用されたDSLは、患者の特徴や時間とともに周術期化学療法の効果の異質性を明らかにする。
関連論文リスト
- Targeted learning of heterogeneous treatment effect curves for right censored or left truncated time-to-event data [1.360712433091342]
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。
論文 参考訳（メタデータ） (2026-03-27T15:08:07Z) - Assessing the robustness of heterogeneous treatment effects in survival analysis under informative censoring [50.164756034797136]
臨床研究ではドロップアウトが一般的で、副作用やその他の理由で患者の半数以上が早期に退院する。
ドロップアウトが有益な場合、治療効果の推定値にもバイアスがかかるため、検閲バイアスが導入される。
検閲バイアスに直面した場合の生存分析における条件平均処理効果推定のロバスト性を評価するための仮定リーンフレームワークを提案する。
論文 参考訳（メタデータ） (2025-10-15T10:51:17Z) - Penalized Empirical Likelihood for Doubly Robust Causal Inference under Contamination in High Dimensions [0.720409153108429]
低サンプルサイズ方程式における平均処理効果を2倍頑健に推定する手法を提案する。
提案した信頼区間は, 競合する推定値と比較して効率がよいことを示す。
論文 参考訳（メタデータ） (2025-07-23T11:58:54Z) - 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) - 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) - Robust and Agnostic Learning of Conditional Distributional Treatment Effects [44.31792000298105]
問題クラスに対する条件付きDTE(Conditional DTE)を学習するための、新しい堅牢でモデルに依存しない方法論を提供する。
本手法は回帰モデルクラスにCDTEの最良のプロジェクションを提供することができるため,モデルに依存しない。
シミュレーションにおける提案手法の挙動と,富に対する401(k)の適格性の影響を事例として検討した。
論文 参考訳（メタデータ） (2022-05-23T17:40:31Z) - 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) - Increasing the efficiency of randomized trial estimates via linear
adjustment for a prognostic score [59.75318183140857]
ランダム化実験による因果効果の推定は臨床研究の中心である。
歴史的借用法のほとんどは、厳格なタイプiエラー率制御を犠牲にして分散の削減を達成する。
論文 参考訳（メタデータ） (2020-12-17T21:10:10Z) - 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) - Survival Analysis Using a 5-Step Stratified Testing and Amalgamation
Routine in Randomized Clinical Trials [0.0]
患者の不均一性の増加は、治療の違いを検出する共通の統計的アプローチの能力を弱める可能性がある。
どちらの治療でも生存を予測できない可能性を持つ塩基性共変体のリストは、事前に特定されている。
条件推論木アルゴリズムを用いて、異種臨床試験集団を予後同種患者のサブ集団に分割する。
提案した5段階の階層化テストとアマルガメーションルーチン(5-STAR)の高消費電力化性能について述べる。
論文 参考訳（メタデータ） (2020-04-28T15:44:41Z)
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。