跳到正文
热点事件持续更新

SurvB-learner提出鲁棒评估生存分析异质效应

1 篇报道1 个报道来源13 小时前更新

先了解这件事

AI 综述

针对临床研究中信息性删失导致的偏差,研究人员提出一种基于部分识别的假设精简框架,旨在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,并引入模型无关的元学习者SurvB-learner进行估计,该方法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,结果表明其能够识别出在信息性删失下治疗有效的患者亚群。

AI 根据报道生成 · 12 小时前更新

报道时间线

沿着报道,了解事件的不同侧面。

11月19日
  1. arXiv · ML
    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

    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。

本事件热度走势

可比范围当前
7
可比范围峰值
1011月19日 14:00
近 24 小时变化
–

趋势仅比较持续完整观测到的相同主体,范围可能小于当前热度统计。移动指针或点击图表查看每小时热度;键盘可用左右方向键切换。