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

本研究提出了一种生成模型，通过分析医药索赔数据来发现对患者造成不良后果的特点，以便解决目前美国合成阿片类药物处方滥用的问题。

May, 2019

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

使用机器学习方法估计异质治疗效应（HTE）可以在各个领域（如医疗保健、政策制定、教育等）中实现大规模个性化决策。本文提出了一种通过联邦学习在机构之间进行协作学习 HTE 估计器的新框架，实现了在各个机构之间同时学习共同特征表示和不同干预措施下的特定预测函数。我们的框架还通过多任务学习利用表格转换器将多个输入数据映射为特征表示来进行结果预测，并提出了一种适用于异质输入特征空间的个性化转换器的联邦训练方法。实验结果表明了我们的方法的有效性。

Feb, 2024

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

该研究提出了一种新方法 Treatment Effect Subset Scan (TESS)，用于在随机实验中确定哪个子人群受到治疗的影响最大，实验表明该方法可以发现异质性治疗效果.

Mar, 2018

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

通过神经网络模型和机器学习技术，我们发现患者的原型可以用于识别与治疗反应相关的患者群体，并生成适当的治疗方案，这可能有助于精准医学治疗抑郁症。

Mar, 2023

本文提出了一种名为 CURLS 的新型规则学习方法，利用异质性治疗效果 (HTE) 有效地描述具有显著治疗效果的亚群体。通过在离散优化问题中精确平衡治疗效果与方差，并考虑规则的可解释性，我们设计了基于次优化 - 最大化算法的迭代过程，并将次模的下界作为原问题的近似解。量化实验和定性案例研究验证，与现有方法相比，CURLS 能够找到估计效果和真实效果分别提高了 16.1% 和 13.8%，方差减少了 12.0%，同时保持了类似或更好的估计准确性和规则可解释性。

Jul, 2024

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