跳到正文
arXiv · ML· Yuxin Wang, Dennis Frauen, Jonas Schweisthal, Maresa Schr\"oder, Stefan Feuerriegel·· 13 小时前AI 评分32

SurvB-learner:生存分析中异质处理效应在信息性删失下的鲁棒性评估

Assessing the robustness of heterogeneous treatment effects in survival analysis under informative censoring

AI 导读

针对临床研究中信息性删失导致的偏差,提出一种基于部分识别的假设精简框架以评估条件平均处理效应(CATE)的鲁棒性。 该框架推导了CATE的有效界,并引入模型无关元学习者 SurvB-learner 进行估计,具备双重鲁棒性和准预言机效率特性。 通过模拟和真实数据实验验证了该方法的有效性,可识别出在信息性删失下治疗有效的患者亚群。

来源:arXiv · ML · arxiv.org