論文の概要: A Guide to Estimating Conditional Average Treatment Effects in Competing Risks Settings

• arxiv url: http://arxiv.org/abs/2606.18281v1
• Date: Mon, 08 Jun 2026 15:58:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-18 17:16:50.785175
• Title: A Guide to Estimating Conditional Average Treatment Effects in Competing Risks Settings
• Title（参考訳）: 競合リスク設定における条件平均処理効果の推定指針
• Authors: Daniel Klippert, Sarah Friedrich, Markus Pauly,
• Abstract要約: パーソナライズド医療における条件平均治療効果(CATE)は治療決定の中心である。 競合するリスク設定では、生存データからCATEを推定することで、患者固有の治療効果の評価が可能になる。 競合するリスクシナリオにおけるCATE推定に機械学習アルゴリズムを適用するメタラーナーについて検討する。
• 参考スコア（独自算出の注目度）: 1.7900262205172117
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Conditional average treatment effects (CATEs) are central to treatment decision-making in personalized medicine. In competing risks settings, estimating CATEs from survival data allows for patient-specific assessments of treatment effectiveness for a specific event of interest while properly accounting for alternative event types. This distinction is essential in the presence of comorbidities, where competing causes of death may otherwise confound the therapeutic benefit. Focusing on right-censored survival times with binary treatment, we examine CATEs defined as covariate-conditional differences in the absolute risk for the event of interest at a fixed time. To this end, we study meta-learners which adapt machine learning algorithms for CATE estimation in competing risks scenarios. We systematically compare six meta-learners, combining Cox regression or random survival forests for risk modeling with elastic net regression or random forests for direct CATE modeling. To provide practical guidance on model selection, we evaluate their performance in multiple simulation settings, that differ in hazard complexity, treatment heterogeneity, treatment assignment, event type distribution and censoring. To facilitate applied use, we provide the R package, crsurvlearners, which implements all considered approaches.
• Abstract（参考訳）: パーソナライズド医療における条件平均治療効果(CATE)は治療決定の中心である。 競合するリスク設定では、生存データからCATEを推定することで、特定のイベントに対する治療効果の患者固有の評価を可能にし、代替イベントタイプを適切に考慮することができる。 この区別は、競合する死因が治療上の利益を損なう可能性がある、共生の存在において不可欠である。 2次治療による右室生存時間に着目し,一定時間における利害関係の絶対リスクの共変条件差として定義されたCATEについて検討した。 そこで本研究では、競合するリスクシナリオにおけるCATE推定に機械学習アルゴリズムを適用するメタラーナーについて検討する。 我々は6つのメタラーナーを体系的に比較し、コックス回帰やランダム生存林をリスクモデリングに、直接CATEモデリングに、弾性ネット回帰やランダム林と組み合わせた。 モデル選択の実践的ガイダンスとして,危険複雑性,処理の不均一性,処理代行,イベントタイプ分布,検閲などが異なる複数のシミュレーション環境での性能を評価する。 適用を容易にするため、Rパッケージであるcrsurvlearnersを提供し、すべての検討されたアプローチを実装している。

関連論文リスト

• Orthogonal machine learning for conditional odds and risk ratios [0.0]
  我々は既存の手法をレビューし、オッズ比(OR)とリスク比(RR)に着目して新しい手法を提案する。 ORとRRの直交リスク関数を導出し、関連する擬似アウトカムがATEの場合と類似した2次条件付き残余特性を満たすことを示す。 また, 条件付きATE, OR, RRの予測をモンテカルロシミュレーションの包括的非パラメトリックシミュレーションで評価し, 数百の異なるデータ生成分布下での一般的な選択肢と比較した。
  論文  参考訳（メタデータ） (2026-04-12T02:14:58Z)
• 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)
• Comparison of the Cox proportional hazards model and Random Survival Forest algorithm for predicting patient-specific survival probabilities in clinical trial data [0.0]
  コックス比例ハザードモデルは、ランダム化比較試験(Randomized Controlled Trials:RCT)から得られるデータを、時間と時間による結果で分析するためにしばしば使用される。 ランダムサバイバルフォレスト(RSF)は、高い予測性能で知られている機械学習アルゴリズムである。 RCTからの2つの参照に基づいて,様々なシミュレーションシナリオにおけるCox回帰とRCFの性能を比較した。
  論文  参考訳（メタデータ） (2025-02-05T12:26:43Z)
• 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)
• 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)
• 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)
• WRSE -- a non-parametric weighted-resolution ensemble for predicting individual survival distributions in the ICU [0.251657752676152]
  集中治療室(ICU)における死亡リスクの動的評価は、患者を階層化し、治療効果を知らせたり、早期警戒システムの一部として機能したりすることができる。 現状の確率モデルと競合する結果を示すとともに,2～9倍のトレーニング時間を大幅に短縮する。
  論文  参考訳（メタデータ） (2020-11-02T10:13:59Z)
• 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)
• 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。