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
本文指出在忽略性假设下，个体效应的估计可能需要附加假设，并且这些效应更确切地描述为条件平均处理效应，混淆这两种效应可能会阻碍个性化效应估计的进展。
Aug, 2021
提出了一种基于预测推断的模型自由框架，用于探究个体治疗效果的敏感性分析，特别关心了混杂因素强度量化和对于反事实的可靠预测推断。
Nov, 2021
本文介绍了一种基于 Lipschitz regularization 和神经控制微分方程（CDE）的方法，名为 LipCDE，用于解决时序数据的因果分析问题，该方法能够准确估算个体化的治疗效果和克服隐藏混淆变量导致的治疗估计偏差和高方差情况，并通过实验验证了方法的有效性和可扩展性。
Mar, 2023
介绍了一种基于统计模型的治疗制度，可根据患者特征推荐治疗方法，提高治疗效果和减少社会成本。该治疗制度简单易懂，适用于广泛的实践应用，并可通过临床试验数据进行验证。
Apr, 2015
提出了一种基于工具变量的方法，通过二进制工具变量帮助确定无未测混杂作用的最优治疗方案，同时构造了新型的多重稳健分类估计器，该方法通过对育儿对劳动参与的影响数据的应用进行了说明。
Nov, 2019
本文介绍了 R2P 方法，它使用任意外生估计算法来估计个体化治疗效果，并量化治疗效果估计的不确定性，通过更强大的构造实现更均匀的缺陷组和更异构的子组划分，同时产生比其他方法更窄的置信区间。
Jun, 2020
通过开发一种从不同视角聚合信息的新架构，我们提出了一种模型异质干扰的新方法，包含图神经网络、不同视角信息的聚合机制和注意力机制，经过多个数据集的实验，证实了模型异质干扰建模的重要性。
Sep, 2023
通过对个体进行训练与推断逆因果结果的方法，改进了存在潜在相互影响的治疗分配与个体协变量之间的矛盾问题，提高了个体化连续治疗效果估计的准确性。
Jan, 2024
该研究通过开发一种考虑每个特征值对异质性治疗效果估计的特征选择方法，并从数据中学习相关部分的因果结构，为处理真实世界数据的因果结构问题提供了解决方法。研究结果表明，该方法在任意潜在因果结构下均优于现有的数据驱动异质性治疗效果估计方法，并可降低异质性治疗效果估计误差。
Jun, 2022