Apr, 2017

连续时间、连续值干预的因果推断治疗 - 反应模型

PDF
TL;DR本研究提出了一种利用线性时不变动力系统和高斯过程，能够弥补观察数据中剂量级别变化以及不定期观测的不足的方法，能够更加准确地进行多变量数据的建模和预测。
observational datatreatment-doselinear time-invariant dynamical systemsmultiple-output gaussian processesclinical dataset
发现论文，激发创造
  • 使用神经控制微分方程连续建模对照结果

    借助控制微分方程的数学，提出一种新方法用于处理不规则采样数据的因果推断任务，即治疗效果神经控制微分方程（TE-CDE），以便在任何时间点评估可能的结果，并通过对抗性训练来解决长期临床研究中的时间相关混淆问题。该方法在一系列不规则采样的临床情境中的模拟环境中表现优于现有方法。

    Jun, 2022

  • 学习反事实表示以估计个体剂量 - 反应曲线

    本文通过机器学习方法和神经网络构建一个新的潜在结果框架，通过表现指标、模型选择标准、模型架构和基准实验估算个体剂量反应曲线，确定在估算个体剂量反应方面的最新技术水平。

    Feb, 2019

  • 带有截尾时间事件的反事实表型学

    本文提出了一种潜变量方法，用于模拟异质性治疗效果，并演示其在多个大型随机对照试验中发现个体可操作表型的能力。

    Feb, 2022

  • 连续时间中因果效应的统计建模

    本篇论文通过建立时间连续的结构嵌套模型，提出可以在时间相关性干扰存在下，估算时间变化的治疗效应的概念框架和形式化方法，同时表明这样的估算器是准确和渐近正常的。

    Oct, 2004

  • 通过特征平衡学习连续值治疗效果

    CBRNet 是一种用于估计观察数据中个体剂量响应的因果机器学习方法，通过平衡表示学习对连续值治疗剂量下选择偏差的克服来准确学习治疗效果，并在新提出的基准测试中表现出与其他最先进方法相当的性能。

    Sep, 2023

  • 一种贝叶斯非参数方法用于估计个体化的治疗反应曲线

    使用贝叶斯非参数方法来建立个体化治疗反应曲线，从而提升个性化决策的精度，该方法使用观测时间序列，并结合 G - 计算公式对连续响应进行估计。

    Aug, 2016

  • 时间变化治疗的反事实生成模型

    本文提出了一种基于条件生成建模的方法，旨在捕捉整个反事实分布，使其特别适用于医疗保健和公共政策制定。通过边际结构模型来解决观察数据和目标反事实分布之间的分布不匹配问题，该方法在合成和真实数据上优于现有方法。

    May, 2023

  • 变分因果推断

    提出了一种基于深度变分贝叶斯框架的新方法，利用个体特征和与受试者类似的人对处理结果分布的信息来估计个体在反事实处理下的结果。

    Sep, 2022

  • 在存在潜在混淆变量情况下，估计连续时间中的治疗效果

    本文通过应用神经微分方程建立潜在因子模型，使用随机控制微分方程和 Lipschitz 限制卷积操作，不断纳入关于进行中干预和不规则的样本观测的信息，以在动态时间设置中存在隐藏因素的情况下连续估计处理效应。

    Feb, 2023

  • 双重可靠估计连续处理效应的非参数方法

    本文提出一种新的核平滑方法，可以在不需要参数模型的情况下，对连续治疗（如剂量）进行因果效应估计，并允许处理密度或结果回归的错误规范。方法经过了模拟证明，并应用于护士人员配备对医院复诊惩罚的研究中。

    Jul, 2015