对于估计异质性治疗效果的研究人员，不需要局限于单个模型拟合算法，应通过从验证集中学习的目标函数对使用多个算法拟合的多个模型进行评估，从而选择最小化目标的模型，用于未来个体的治疗效果估计。

Apr, 2018

该研究提出了一种新颖的因果机器学习框架，用于准确估计高速公路不同类型车祸对交通速度的因果效应，该框架基于尼曼 - 鲁宾因果模型、条件 Shapley 值指数和结构因果模型，并结合双重稳健学习方法估算治疗效果。实验结果表明在不同的距离和持续时间下，追尾碰撞引起的拥堵更严重且持续时间更长，而侧面碰撞的延迟影响最长。此外，研究结果还显示夜间追尾碰撞对交通的影响较大，而在高峰时段碰撞到物体的影响最显著。通过统计假设检验、匹配的 “反事实结果” 的误差度量以及敏感性分析进行评估，结果验证了该方法的准确性和有效性。

Jan, 2024

本文综述了数据驱动方法在异质性治疗效应估计上的应用，分为基于反事实预测和直接估计因果效应的方法，还有从数据中学习模型结构的结构因果模型方法，并在不同结构模型机制下进行了实证评估。

Jan, 2023

本文研究对社会项目和医疗方案的疗效进行随机实验评估时，如何准确评估其异质性治疗效应，进而为大量可用的治疗方案选择最有效的方案，确定治疗成功或失败的人群，以及设计个性化的最佳治疗方案。本文提出一种利用支持向量机分类器适应变量选择问题进行异质性治疗效应评估的方法，并证明其优于常用替代方法。

May, 2013

研究人员综述了关于时间序列数据的个体化治疗效应研究，并对理论假设、治疗设置类型和计算框架进行了评论，讨论了时间序列环境下个体化治疗效应研究面临的挑战和未来研究方向。

Feb, 2024

基于电子病历的丰富性，本研究提出了一种基于多任务学习的方法来推断个性化治疗效果，使用非参数贝叶斯方法来学习治疗效果，同时提供置信度的点间可信区间，以实现精准医学，并证明该方法在早产儿干预社会计划和舒张期心脏病患者左心室辅助装置中明显优于现有技术。

Apr, 2017

这篇论文通过潜在结果框架，提出了个性化医疗、社会研究和个性化营销等领域中利用治疗效果异质性调节来实现不同个体特征之间异质性处理效应估计和提高模型的研究方法，并对现有方法进行了结构性概述和主要应用程序的综述。

Jul, 2020

介绍了一种名为 SubgroupTE 的新型治疗效果估计模型，该模型在治疗效果估计中加入了子组标识，通过考虑子组特定的因果效应来更精确地估计治疗效果，并通过迭代优化子组划分和治疗效果估计网络来提高估计和子组识别的性能。

Jan, 2024

本文研究了从时事件数据中推断异质性处理效应的问题，主要关注学习（离散时间）处理特定条件风险函数，并提出了一种基于平衡表示的新型深度学习方法来解决来自各种来源的协变量偏移问题。

Oct, 2021

通过利用大规模的观察性病人数据和生物医学知识图谱，本文提出了一种新型的预训练和微调框架 KG-TREAT 来增强治疗效果评估，该方法构建了双重关注的知识图谱并整合了深度双层关注协同方法，通过对病人数据和知识图谱的深入信息融合，能够对治疗相关和结果相关关系进行独特编码，并通过两个预训练任务来确保对病人数据和知识图谱进行全面的处理和上下文化。在四个后续治疗效果评估任务的验证中，KG-TREAT 相比现有方法表现出更高的效果，ROC 曲线下的面积（AUC）平均提高 7%，基于影响函数的异质效果预估的精度（IF-PEHE）平均提高 9%。同时，通过与已建立的随机临床试验结果的验证，证实了我们估计的治疗效果的有效性。

Mar, 2024