Aug, 2021

通过基于试验评分的数据自适应加权结合现实世界和随机对照试验数据

PDF
TL;DR通过控制混合对照组干扰和第一类错误，我们提出了一种新的临床试验分析方法，使用所选的真实世界病人，加权来自电子健康记录的治疗组病人，以增加试验效力。
hybrid control armrandomized trialsreal-world dataclinical trialstreatment effect
发现论文，激发创造
  • 随机试验与实际数据的弹性整合分析用于治疗多样性估计

    我们提出了一种基于测试的弹性综合分析方法，用于随机试验和真实世界数据的估计治疗效果的异质性。

    May, 2020

  • 通过自适应加权利用来自上下文 Bandits 的数据进行离线策略评估

    本文通过自适应加权控制方差，改进了重复鲁棒估计器，并且使用合成数据和公开基准测试提供了经验证据，相较于现有方案，我们的估计器具有更高的精确性和推论属性。

    Jun, 2021

  • 通过潜变量模型估算单臂试验的治疗效果

    我们提出了一个可识别的深度潜变量模型，可以用于单臂试验中的治疗效果估计，并通过建模结构化的缺失模式来处理缺失的协变量观测值。通过使用分摊变分推断来学习群体特定和可识别的共享潜变量表示，我们的方法在患者配对和直接治疗效果估计方面显示出比先前方法更优的性能。

    Nov, 2023

  • 合并随机试验与观察性研究的因果推断方法：一项综述

    本研究综述了长期以来在联合随机对照试验（RCTs）和观察研究中进行因果推断的方法，旨在实现 “两全其美”。作者首先讨论了提高观察数据代表性的 RCTs 的识别和估计方法，然后探讨了将 RCTs 和观察数据结合使用以确保观察分析的无瑕性或提高（条件）平均治疗效果估计的方法。最后，作者使用模拟研究和真实世界数据比较了主要方法，并提供了可用代码和新实现。

    Nov, 2020

  • 平衡、回归、差异中的差别和合成控制方法：综合

    本文提出了一种基于合成控制的治疗效果估计方法的加权平均的一般化模型，其中权重可以为负且总和不为一，通过正则化方法解决可能存在的大量可能的对照组。

    Oct, 2016

  • 平衡策略评估与学习

    提出了一种基于平衡的权重方法来评估和学习个性化决策策略，该方法适用于利用历史记录来进行个性化医疗和互联网广告，该方法明显优于现有方法。

    May, 2017

  • 基于正则化和聚类的联合分配森林进行个性化分配至多个治疗方案

    从随机对照试验中学习个性化分配，并通过正则化和聚类方案优化治疗分配以实现个性化效果。

    Nov, 2023

  • 残差加权学习用于估计个体化治疗规则

    本文提出了一种改进的人工智能医疗方法，叫残差加权学习，能够更好地优化治疗结果，提高疗效。

    Aug, 2015

  • 结合观察和随机数据估计异质性治疗效应

    本文提出了一种利用混合大量的观测数据和少量随机数据通过表示学习来估计异质化治疗效果的框架，成功设计了一个名为 CorNet 的样本高效算法，并通过多个真实世界数据集展示了该方法优于现有方法的效果。

    Feb, 2022

  • SECRETS: 使用合成干预实现主体高效临床随机对照试验

    提出了一种名为 SECRETS 的新框架，利用合成干预的算法来模拟交叉试验，可以在不使用任何外部数据的情况下估计 RCT 研究中每个患者的个体治疗效果，并使用新的假设检验策略来确定治疗是否具有临床意义的 ATE。

    May, 2023