論文の概要: Doubly Robust Learning of Heterogeneous Survival Treatment Effects under Time-Varying Treatments
- arxiv url: http://arxiv.org/abs/2610.26710v1
- Date: Mon, 19 Oct 2026 16:44:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-23 17:15:30.175055
- Title: Doubly Robust Learning of Heterogeneous Survival Treatment Effects under Time-Varying Treatments
- Title（参考訳）: 経時的治療における不均一生存治療効果の二重ロバスト学習
- Abstract要約: 異種生存治療効果の2倍頑健な学習者について, 時間変動処理と履歴依存検閲による検討を行った。
我々の枠組みは、介入窓を生存地平線から切り離し、治療期間を限定し、ケアはその自然経過に従っている。
- 参考スコア（独自算出の注目度）: 2.50939514599187
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Estimating heterogeneous survival treatment effects (HSTEs) from time-to-event data under time-varying treatments is important in fields such as medicine (e.g., to decide which sequence of treatments is better in terms of survival probability). However, this task is challenging because treatment decisions, patient characteristics, and censoring probability often evolve together, requiring sequential adjustment for both treatments and censoring. Existing survival learners mostly consider a single baseline treatment assignment, while longitudinal treatment-effect learners typically assume uncensored outcomes. In this paper, we introduce a novel doubly robust learner for heterogeneous survival treatment effects under time-varying treatments and history-dependent censoring. Our framework separates the intervention window from the survival horizon, with treatment prescribed for a finite period, after which care follows its natural course. We further establish the favorable theoretical properties of Neyman-orthogonality, rate double robustness and quasi-oracle efficiency. The framework accommodates flexible machine learning models for nuisance estimation and treatment-effect regression. We evaluate our learners through several numerical experiments, demonstrating their effectiveness.
- Abstract（参考訳）: 経時的治療による不均一生存治療効果 (HSTEs) の推定は, 医学などの分野において重要である(例えば, 生存確率の観点からどの治療が良好かを決定するために)。
しかし, この課題は治療決定, 患者の特徴, 検閲の確率が共に発展し, 治療と検閲の双方を逐次的に調整する必要があるため, 課題である。
既存のサバイバル学習者は、主に単一のベースライン治療課題を考慮し、一方、長手処理効果学習者は、通常、無検閲の結果を仮定する。
本稿では,時変処理と履歴依存検閲の下での異種生存治療効果を両立させる新しい頑健な学習手法を提案する。
我々の枠組みは、介入窓を生存地平線から切り離し、治療期間を限定し、ケアはその自然経過に従っている。
さらに、ナイマン直交性、速度の二重ロバスト性、準オークル効率の好ましい理論的性質を確立する。
このフレームワークは、ニュアンス推定と処理効果回帰のための柔軟な機械学習モデルに対応している。
我々は,いくつかの数値実験を通じて学習者の評価を行い,その効果を実証した。
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) - TV-SurvCaus: Dynamic Representation Balancing for Causal Survival Analysis [0.0]
TV-SurvCausは、表現バランス技術を拡張した新しいフレームワークである。
我々は,(1)不均一効果推定における時間変化精度の一般化境界,(2)シーケンシャルバランスウェイトによる分散制御,(3)動的治療体制の整合性,(5)治療共同研究者のフィードバックによるバイアスの形式的境界などを通じて理論的保証を行う。
論文 参考訳（メタデータ） (2025-05-03T11:04:52Z) - 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) - BITES: Balanced Individual Treatment Effect for Survival data [0.0]
患者予後に対する介入の効果を推定することは、パーソナライズされた医療の重要な側面の1つである。
時間から時間までのデータは、治療最適化にはほとんど使われない。
我々は、治療特異的な半パラメトリックコックス損失と治療バランスの深いディープニューラルネットワークを組み合わせたBITESというアプローチを提案する。
論文 参考訳（メタデータ） (2022-01-05T10:39:31Z) - Disentangled Counterfactual Recurrent Networks for Treatment Effect
Inference over Time [71.30985926640659]
本稿では,DCRN(Disentangled Counterfactual Recurrent Network)を提案する。
時間とともに治療効果の因果構造に完全にインスパイアされたアーキテクチャでは、予測精度と疾患理解が向上する。
実データとシミュレーションデータの両方において,DCRNが処理応答予測の最先端手法より優れていることを示す。
論文 参考訳（メタデータ） (2021-12-07T16:40:28Z) - 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)
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。