Feb, 2024

基于时间序列健康数据的个体化治疗效果估计的观点

PDF
TL;DR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。
burden of diseasesunequal treatment efficacyindividualized treatment effectsmachine-learning-driven ite estimation modelstime-series electronic health records
发现论文，激发创造
  • 估计个体治疗效果时模型选择方法比较

    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

  • 利用隐藏变量从不规则时间序列观测中估计治疗效果

    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

  • 从时间事件数据中学习异质性治疗效应的 SurvITE 模型

    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

  • 估算具有时间变动混淆因素的个体处理效果

    本研究提出 Deep Sequential Weighting (DSW) 模型通过使用深度递归加权神经网络，将当前的治疗方案和历史信息结合起来推断隐藏的混淆因素并计算个体治疗效果，从而为个性化医疗铺平道路，实验结果表明，该模型可准确预测并生成无偏的治疗效果。

    Aug, 2020

  • 基于数据驱动的异质性治疗效应估计

    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

  • 高维异质性治疗效应估计的一些方法

    该研究旨在提出三种方法，以利用临床记录中包含的数据来为患者提供更好的医疗建议，并通过模拟表现良好。

    Jul, 2017

  • 异质干扰下的治疗效果估计

    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

  • 极端情境下的个体治疗效果

    文章提出了一种新的框架，通过量化潜在结果的尾部衰减率中的变化，来计算极端情况下的个体治疗效果（ITE2），建立了计算 ITE2 的条件并开发了算法，并在各种合成和半合成数据集上展示了这种方法的有效性。

    Jun, 2023

  • 关于在忽略性假设下，条件平均治疗效应（CATE）和个体治疗效应（ITE）的区别

    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

  • 在结构不确定性下改进基于数据驱动的异质性处理效应估计

    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