Jan, 2024

我们漏掉了谁？对被低估人口的原则性描述方法

PDF
TL;DR通过最小化目标平均治疗效果估计的方差，我们提出了一种新的优化方法，称为优化树的拉莎蒙集（ROOT），以识别和描述随机对比试验（RCTs）中的少数群体，从而改善推广性。与其他方法相比，ROOT 具有更高的精确性和可解释性，通过合成数据实验证明了这一点。我们将该方法应用于从 Starting Treatment with Agonist Replacement Therapies（START）试验中推广到以 TEDS-A 代表的真实世界人口的决策准确性的提升和未来多样化人群中的试验的指导。
rctseffect heterogeneityunderrepresented subgroupsoptimization-based approachimproved precision
发现论文，激发创造
  • 精准医学之路

    我们提出了一种预后分层匹配框架，通过纠正观察数据中治疗结果的估计概率来对付观察数据中未观察到的混杂因素，然后使用这些概率来训练最优策略树，从而为患者子群体分配最佳的治疗，实现临床直观的治疗推荐。

    Nov, 2023

  • 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

  • 基于预测的因果推断的普适化

    给定一个随机对照试验，从中推理因果关系可能与一些效应修饰因子不同分布的目标人群无关。我们利用一个附加的观察研究学习到的预测模型，无需对该研究做任何假设来补充试验数据，提出了能够更好地推广试验结果的算法，并以理论和实证的方式展示了当观察研究是高质量时，我们的方法能够更好地推广，即使存在未测的混杂变量等情况仍能保持稳健。

    Jun, 2024

  • 算法资源分配随机试验的改进策略评估

    该研究提出了一种新的评估算法资源分配政策的实验方法，所使用的估计器可以通过重划分试验组参与者，构建对照试验并准确地评估结果。经过实证研究，该方法在合成数据、半合成数据和真实案例中都取得了改进的评估准确性。

    Feb, 2023

  • 异质性治疗效果的强健递归划分及不确定性量化

    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

  • 朝着从试验到目标人群的推广的推理

    本研究论文通过多学科研讨会的讨论，并整合各领域的方法，回顾了随机对照试验、外部有效性、泛化性和可转移性的现有研究，同时提出了未来研究的方向，旨在增强对因果效应的泛化性和可转移性的集体理解，促进跨学科合作并为改进和应用因果推断方法的研究人员提供有价值的见解。

    Feb, 2024

  • 从随机试验个体到所有符合试验条件个体的因果推断的普适性

    研究了如何通过使用基线共变量数据和随机分配的治疗和结局数据，来辨别出所有适合个体的潜在（反事实）结局均值和平均治疗效应，并评估了它们的估计器在模拟研究中的有限样本表现，最后通过应用这些估计器对慢性冠状动脉疾病的研究结果进行了说明。

    Sep, 2017

  • 检测小子群中的重要治疗效果偏倚

    通过设计统计检验以及估计观察性研究的最大偏差强度的下界，我们提出了一种超越平均治疗效应的实证研究比较方法，并在真实环境中验证了该方法的有效性，结果与现有医学知识相一致。

    Apr, 2024

  • 用于异质性因果效应的递归分区

    本文研究了试验或观察研究中估计因果效应异质性的问题以及在子群体之间进行处理效应差异大小的推断。提出了一种新的交叉验证标准来确定因果效应的预测是否准确，并将该方法应用于一个大规模的针对搜索引擎的实验。

    Apr, 2015

  • 泛化性和搬移性综述

    本文提出了一个框架来解决外部有效性偏差，包括针对泛化性和可迁移性的方法综合，它们所需的假设以及对治疗效应异质性和研究与目标人群之间差异的测试。

    Feb, 2021