Identifying Treatment Effects using Trimmed Means when Data are Missing Not at Random
在临床试验中，患者经常因为健康状况没有改善而停止治疗。因此，在试验结束时仍在研究中的患者的平均健康结果比初始患者人群（如果每位患者都完成了试验）的健康结果更好。如果我们只分析完成试验的患者，那么这种缺失数据问题会使药物疗效的估计产生偏差，因为研究结果是非随机缺失（MNAR）。克服这一问题的一种方法-缺失数据的修剪均值方法-将缺失值设置为略差于观察到的最差结果，然后在计算治疗疗效差异之前修剪掉每个治疗组的一部分分布（Permutt 2017，Pharmaceutical statistics 16.1：20-28）。在本文中，我们推导出充分和必要条件时，这种方法可以确定平均人口处理效应的MNAR数据的存在。数值研究表明，当数据为MNAR且缺失与不利结局密切相关时，修剪均值方法能够有效估计治疗疗效，但当数据为随机随机缺失（MAR）时，修剪均值方法失败，此时更好的方法是对缺失值进行乘法插补。如果已知临床试验中止的原因，分析人员可以在每个缺失数据机制的假设成立时，结合使用多重插补（MI）和修剪均值法来改进估计值。当假设是合理的，使用修剪的手段可以帮助识别处理效应，尽管MNAR数据。
2019-11-21 stat.ME
Flexibly Estimating and Interpreting Heterogeneous Treatment Effects of Laparoscopic Surgery for Cholecystitis Patients
本文扩展 meta-learner 框架，提出支持推断、解释与效应调节因素探索的异质性治疗效应方法，并通过胆囊炎腹腔镜手术大型数据库和模拟验证其性能。
2023-11-07 stat.ME
Neural Networks of Outcome Weighted Learning for Individualized Treatment Rules
University of Tennessee Health Science Center（田纳西健康科学中心）
研究个性化治疗规则，基于结果加权学习，将单隐藏层神经网络OWL从岭型正则化扩展到非线性变量选择和核近似，建立估计器收敛率，扩展到残差加权学习，模拟研究和数据应用验证了方法。
2026-07-21 stat.ME
Combining randomized and non-randomized data to predict heterogeneous effects of competing treatments
一些患者从治疗中受益，而另一些患者可能受益较少或根本没有受益。我们之前已经开发了一个两阶段网络荟萃回归预测模型，该模型综合了随机试验，并评估了处理效应如何在患者特征之间变化。在本文中，我们扩展了该模型，以结合不同格式的不同类型来源：来自随机和非随机证据的汇总数据（AD）和个体参与者数据（IPD）。在第一阶段，使用大型队列研究开发预后模型以预测结果的基线风险。在第二阶段，我们重新校准了这个预后模型，以改善我们对随机试验中招募的患者的预测。在第三阶段，我们使用基线风险作为效应修正因子，在网络荟萃回归模型中结合AD、IPD RCT来估计异质性处理效应。我们在对三种药物治疗复发缓解型多发性硬化症的研究网络的重新分析中说明了这种方法。一些患者特征影响复发的基线风险，这反过来又改变了药物的效果。该模型对多种治疗方案下的健康结果进行了个性化预测，并涵盖了所有相关的随机和非随机证据。
2023-02-28 stat.ME
Hypothetical Treatment Accelerations: Estimating Causal Effects of Kidney Transplants from Observational Data
终末期肾病患者在接受移植前可能要等待数年，而他们的健康状况一直在恶化。如果我们设法减少这些等待时间，生存率会有什么变化？为了提供一个答案，我们提出了一个连续时间边际结构模型（MSM）的假设情况下，直到治疗的时间是改变的。在这些情况下，治疗过程是在假设的时间尺度上定义的，其中时间以与实际观察到的时间相比不同的速率流逝。改变处理过程的时间对应于改变联合概率分布，从而使得使用先前开发的方法从观察数据中识别和估计假设参数成为可能。我们使用来自挪威老年肾衰竭患者队列的观察数据证明了这种治疗加速的MSM。该模型可能有助于卫生当局评估减少特定患者群体器官移植等待时间的影响。
2022-07-16 stat.ME
PRISM: Patient Response Identifiers for Stratified Medicine
制药公司继续寻求创新的方法来探索正在开发的药物是否可能适用于目标人群中的所有或仅可识别的患者阶层。在临床开发过程中越早这样做，对公司、下游的处方医生、付款人，最重要的是对患者就越好。为了帮助实现分层医学的这一愿景，我们描述了一个强大的统计框架，分层医学的患者反应识别符（PRISM），用于使用机器学习工具发现药物反应和相关亚组的潜在预测因子。PRISM具有高度灵活性，可以有许多“配置”，允许为各种结果和设置纳入互补模型或工具。一种有前景的PRISM配置是使用观察到的结果进行亚组识别，同时使用反事实的患者内预测治疗差异进行亚组特异性治疗估计和相关解释。这将“亚组识别”与“决策”分开，并且为了便于临床设计规划，这是在所发现的亚组中获得无偏处理效应大小的简单方法。模拟结果，以及从一个真正的临床试验的数据被用来说明所提出的PRISM框架的效用。
2019-12-06 stat.ME
A two-stage prediction model for heterogeneous effects of many treatment options: application to drugs for Multiple Sclerosis
不同患者的处理效应各不相同，估计这种变异性对于临床决策很重要。其目的是开发一个模型来估计个体患者替代治疗方案的益处。因此，我们开发了一个两阶段的预测模型异质性处理效应，结合预后研究和网络荟萃分析方法时，个别患者的数据。在第一阶段，我们开发一个预后模型，并预测结果的基线风险。在第二阶段，我们使用第一阶段的基线风险评分作为网络荟萃回归模型中的单一预后因素和效应修正因子。我们将该方法应用于三项随机临床试验的网络荟萃分析，这些试验比较了那他珠单抗、醋酸格拉替雷和富马酸二甲酯的复发率，包括3590例诊断为复发缓解型多发性硬化症的患者。我们发现基线风险评分改变了相对和绝对处理效应。几个患者特征，如年龄和残疾状态对复发的基线风险有影响，这反过来又缓和了每种治疗可能预期的获益。对于高风险患者，最大限度地降低两年内复发风险的治疗是那他珠单抗，而对于低风险患者，富马酸二甲酯可能是更好的选择。我们的方法可以很容易地扩展到所有感兴趣的结果，并有可能为个性化治疗方法提供信息。
2022-02-07 stat.AP stat.ME
Can the potential benefit of individualizing treatment be assessed using trial summary statistics alone?
个体化治疗分配可以改善比较处理效应存在患者间差异的疾病的结局。当临床试验证明一些患者在治疗后有所改善，而另一些患者则没有改善时，很容易假设存在处理效应异质性。但是，如果反应的变异性主要由治疗以外的因素驱动，则研究协变量数据可以预测差异治疗反应的程度可能是资源的浪费。最近的荟萃分析的动机，评估的潜力，个性化治疗的抑郁症，只使用汇总统计，我们提供了一种方法，使用汇总统计广泛提供的临床试验结果，以约束的好处，最佳分配治疗每一个病人。我们还提供了替代边界的设置中，试验结果分层的另一个协变量。我们使用抑郁症治疗试验的汇总统计数据证明了我们的方法。我们的方法在rct2otrbounds R包中实现，该包可在https://github.com/ngalanter/rct2otrbounds上获得。
2022-10-31 stat.AP stat.ME
Assessing causal effects in the presence of treatment switching through principal stratification
该研究通过主分层重新定义治疗转换问题，采用贝叶斯方法处理连续时间转换与删失，分析Concorde合成数据，发现立即使用齐多夫定增加从未转换者生存时间且效果异质性高。
2023-09-05 stat.AP stat.ME
Matching methods for obtaining survival functions to estimate the effect of a time-dependent treatment
在以二元时间依赖性治疗为特征的生存时间观察性研究中，风险比（瞬时测量）通常用于表示处理效应。然而，研究人员通常对生存函数的差异更感兴趣。我们提出了半参数的方法来估计治疗的因果关系之间的治疗相对于生存概率。目的是比较治疗后生存率与未治疗时观察到的生存函数。对于每例患者，我们计算预后评分（基于治疗前死亡风险）和倾向得分（基于治疗风险）。然后将每例接受治疗的患者与具有相似预后和/或倾向得分的存活、未删失和尚未接受治疗的患者匹配。使用删失权重的逆概率变体对每例治疗和匹配患者的经验进行加权，以考虑删失的影响。我们提出了治疗特异性生存函数（及其差异）的估计量，通过加权Nelson-Aalen估计量计算。封闭形式的方差估计，提出了考虑到潜在的复制对象在匹配集。所提出的方法进行评估，通过模拟，然后应用于估计肾移植对终末期肾病患者生存的影响，使用的数据从国家器官衰竭登记。
2020-05-19 stat.AP stat.ME
A Two-Stage Patient-Focused Study Design for Rare Disease Controlled Trials
我们为罕见病临床试验（RDTs）开发了一种研究设计，可有效评估治疗方法，促进治疗开发期间获得新治疗方法，并优化未来治疗分配，开发和优先级的医疗资源利用。进行了全面的文献综述和焦点小组讨论。为了解决RDT面临的多方面挑战，必须解决RDT的四个关键问题，即1）获得新治疗的机会; 2）可能缺乏临床验证结果的结局评估; 3）患者异质性;以及4）研究持续时间和所需患者数量。我们提出的研究设计有两个阶段。阶段1在将所有患者分配至实验性治疗后，将对治疗有反应的患者与对治疗无反应的患者区分开。第2阶段评价第1阶段缓解患者的处理效应。除了处理效应评价外，我们的设计还可以通过增加获得实验性治疗的机会，并通过提供可用于为某些亚组定制治疗的相关信息，帮助未来的治疗开发研究，以及提高医疗资源利用率，使罕见病患者和临床实践受益匪浅。
2016-06-30 stat.AP
Patient-Specific Models of Treatment Effects Explain Heterogeneity in Tuberculosis
Pitt School of Medicine（匹兹堡大学医学院）；Carnegie Mellon University（卡内基梅隆大学）；University of Wisconsin, Madison（威斯康星大学麦迪逊分校）；MBZUAI（穆罕默德·本·扎耶德人工智能大学）；Petuum Inc.（Petuum公司）
针对结核病患者反应的异质性问题，提出基于多任务学习的上下文化建模方法，将患者背景编码为个性化治疗效果模型，在3000多名患者数据上揭示了合并症与治疗结果的结构化交互，为个性化治疗提供新方法。
2024-11-16 cs.LG stat.ML
Personalized Oncology: Feasibility of Evaluating Treatment Effects for Individual Patients
本研究探讨在单癌症患者情境下应用因果推断方法评估个体治疗效果的可行性，通过N-of-1试验框架和时变g公式，利用转移性癌症患者的纵向数据，成功估计了个体化治疗效果，为个性化肿瘤学提供了方法论蓝图。
2025-09-26 stat.AP
Using Multiple Imputation to Classify Potential Outcomes Subgroups
随着医学测试越来越普及，对过度测试和过度治疗的担忧急剧增加。因此，重要的是要了解测试的影响，在一般的做法治疗选择。大多数统计方法侧重于测试对治疗决策的平均影响。然而，这可能是不明智的，特别是对于那些往往不会从这种测试中受益的患者亚组。此外，缺失数据很常见，对统计方法的有效性构成了巨大的、往往未得到解决的威胁。最后，最好进行可以解释因果关系的分析。我们建议将患者分为四个潜在的结果亚组，定义为患者的治疗选择是否改变了测试结果和测试结果如何改变治疗选择的方向。这种亚组分类自然地捕捉了医学测试对不同患者的治疗选择的不同影响，这可以建议提高医学测试利用率的目标。然后，我们可以检查与患者潜在结局亚组成员资格相关的患者特征。我们使用多重插补方法同时插补缺失的潜在结局以及常规缺失值。这种方法也可以提供许多传统因果量的估计。我们发现，明确地将因果推断假设纳入多重插补过程中，可以提高一些因果估计的精度。我们还发现，当潜在的结果条件独立性假设被违反时，可能会发生偏差，敏感性分析，建议评估这种违反的影响。我们应用所提出的方法来研究21基因检测，最常用的基因组检测，对乳腺癌患者化疗选择的影响。
2020-08-10 stat.AP stat.ME
BITES: Balanced Individual Treatment Effect for Survival data
University Medical Center Göttingen（哥廷根大学医学中心）；University of Regensburg（雷根斯堡大学）；Kiel University（基尔大学）；University Medical Center Schleswig-Holstein（石勒苏益格-荷尔斯泰因大学医学中心）
评估干预措施对患者结局的影响是个性化医疗的关键方面之一。他们的推论经常受到这样一个事实的挑战，即训练数据只包括所给予的治疗的结果，而不是替代治疗的结果（所谓的反事实结果）。根据观测数据，针对这一情景提出了几种方法，即~对于连续和二元结果变量，干预不是随机应用的数据。然而，患者结局通常以至事件发生时间数据记录，如果事件未在观察期内发生，则包括右删失事件时间。尽管其巨大的重要性，但事件发生时间数据很少用于治疗优化。我们提出了一种名为BITES（生存数据的平衡个体处理效应）的方法，该方法将治疗特异性半参数Cox损失与治疗平衡的深度神经网络相结合;即~我们使用积分概率距离（IPM）来规范治疗和未治疗患者之间的差异。我们在模拟研究中表明，这种方法优于最先进的。此外，我们证明，在一个应用程序中的一个队列的乳腺癌患者的激素治疗可以优化的基础上，六个常规参数。我们在一个独立的队列中成功地验证了这一发现。BITES作为一个易于使用的python实现提供。
2022-01-05 cs.LG stat.ME
Causal inference with multiple versions of treatment and application to personalized medicine
高通量测序和靶向治疗的发展导致了个性化医疗的出现：患者的分子谱或药物反应的特定生物标志物的存在将对应于医生或治疗分配算法提出的治疗建议。越来越多的此类算法提出了一个问题，即如何量化其临床影响，因为个性化医疗策略本质上包括不同版本的治疗。因此，我们指定了一个适当的因果框架与多个版本的治疗，以定义感兴趣的因果效应的精准医学策略，并估计他们模仿临床试验与观察数据。因此，我们确定治疗分配算法是否比不同的对照组更有效：金标准治疗，观察治疗或随机分配靶向治疗。首先在模拟数据上评价精密医学效应的因果估计，与治疗组之间预期结局差异的朴素估计相比，它们显示出较低的偏倚和方差。各种模拟场景还指出了不同的偏倚来源，具体取决于临床情况（应答异质性、观察到的治疗分配等）。还提供了一个RShiny交互式应用程序，以进一步探索其他用户定义的场景。然后将该方法应用于患者来源的异种移植物（PDX）的数据：将每个患者肿瘤植入几个免疫缺陷克隆小鼠中，然后用不同的药物治疗，从而为所有患者提供所有相应的药物敏感性。访问这些独特的临床前数据模拟反事实的结果，可以验证所提出的方法获得的因果关系估计的可靠性。
2020-05-25 stat.AP stat.ME
From Observational Data to Clinical Recommendations: A Causal Framework for Estimating Patient-level Treatment Effects and Learning Policies
Faculty of Data and Decision Sciences, Technion（数据与决策科学学院，技术ion）；Blavatnik School of Computer Science, Tel-Aviv University（Blavatnik计算机科学学院，特拉维夫大学）；Department of Cardiology, Rambam Health Care Campus（心内科部，拉马姆医疗中心）；The Bruce Rappaport Faculty of Medicine, Technion（布鲁斯·拉帕波特医学院，技术ion）；Department of Statistics and Operations Research, School of Mathematical Sciences, Tel Aviv University（统计与运筹学部，数学科学学院，特拉维夫大学）
本文提出一个构建患者特定治疗推荐模型的因果框架，整合现有方法形成实用流程，并在心力衰竭伴急性肾损伤患者的真实用例中验证了其能改善预后。
2025-07-16 cs.LG stat.AP stat.ML
Parametric G-computation for Compatible Indirect Treatment Comparisons with Limited Individual Patient Data
当效应修饰因子存在交叉试验差异且患者水平数据有限时，人群调整方法（如匹配调整间接比较（MAIC））越来越多地用于比较边际处理效应。MAIC基于倾向得分加权，其对协变量重叠不良敏感，无法外推到观察到的协变量空间之外。目前基于结果回归的替代方法可以外推，但目标是间接比较中不相容的条件性处理效应。当调整协变量时，必须对相关人群的条件估计值进行积分或平均，以恢复相容的边际处理效应。我们提出了一种基于参数G计算的边缘化方法，可以很容易地应用于结果回归是广义线性模型或Cox模型。该方法将协变量调整回归视为滋扰模型，并将其估计与感兴趣的边际处理效应的评价分离。该方法可以适应贝叶斯统计框架，自然地将分析集成到概率框架中。模拟研究提供了原理证明和基准的方法的性能对MAIC和传统的结果回归。参数G计算比MAIC实现了更精确和更准确的估计，特别是当协变量重叠较差时，并且在没有假设失败的情况下产生无偏的边际处理效应估计。此外，边缘化的回归调整的估计提供了更高的精度和准确性比传统的结果回归产生的条件估计，这是系统性的偏见，因为效果的措施是不可折叠的。
2022-05-10 stat.AP stat.ME
Policy Learning with Observational Data: The Case of Hepatitis C Treatment for HIV/HCV Co-Infected Patients
McGill University（麦吉尔大学）
本文提出在弱假设下通过观测数据推导多行动政策规则的方法，应用于HIV/HCV共感染患者抗病毒治疗，发现部分患者无需治疗即可自愈，优化治疗分配可降低成本并提升健康效益。
2026-10-23 econ.EM stat.AP stat.ML
Transfer Learning for Individualized Treatment Rules: Application to Sepsis Patients Data from eICU-CRD and MIMIC-III Databases
本文提出融合 CAIPW 估计与遗传算法价值最大化的迁移学习方法，以跨人群异质性学习可解释的最优 ITR，并在 eICU-CRD 与 MIMIC-III 脓毒症数据中验证。
2025-01-03 stat.AP
Guiding Treatment Strategies: The Role of Adjuvant Anti-Her2 Neu Therapy and Skin/Nipple Involvement in Local Recurrence-Free Survival in Breast Cancer Patients
Mercurial AI Inc（Mercurial AI公司）
该研究利用LiNGAM从Duke MRI乳腺癌观察数据中识别因果关系，量化抗Her2 Neu治疗与皮肤/乳头受累对无局部复发生存期的影响，以支持个性化治疗决策。
2025-01-04 cs.LG stat.AP
Estimating Counterfactual Treatment Outcomes over Time Through Adversarially Balanced Representations
University of Oxford（牛津大学）；The Alan Turing Institute（艾伦·图灵研究所）；University of California, Los Angeles（加利福尼亚大学洛杉矶分校）；University of Cambridge（剑桥大学）
确定何时对患者进行治疗以及如何随着时间的推移在多种治疗中进行选择是重要的医疗问题，现有的解决方案很少。在本文中，我们介绍了反事实循环网络（CRN），这是一种新型的序列到序列模型，它利用日益可用的患者观察数据来估计随着时间的推移的治疗效果并回答此类医学问题。为了处理时变混杂因素（影响观察数据中治疗分配策略的协变量）的偏倚，CRN使用领域对抗训练来构建患者病史的平衡表示。在每个时间步，CRN构建一个治疗不变表示，该表示消除了患者病史和治疗分配之间的关联，因此可以可靠地用于进行反事实预测。在肿瘤生长的模拟模型上，随着时间的变化，我们展示了我们的模型如何在估计反事实和选择正确的治疗和治疗时机方面比目前最先进的方法实现更低的误差。
2020-02-10 cs.LG stat.ML
Personalized Treatment for Coronary Artery Disease Patients: A Machine Learning Approach
Massachusetts Institute of Technology（麻省理工学院）；Massachusetts General Hospital（麻省总医院）
目前管理冠状动脉疾病（CAD）的临床实践指南考虑了一般心血管风险因素。然而，他们没有提出一个框架，认为个性化的患者特异性特征。使用21，460名患者的电子健康记录，我们创建了用于个性化CAD管理的数据驱动模型，这些模型相对于标准护理显著改善了健康结果。我们开发了二进制分类器，以检测患者是否会在10年的时间范围内发生CAD引起的不良事件。结合患者的病史和临床检查结果，我们得到81.5%的AUC。对于每种治疗，我们还创建了一系列基于不同监督机器学习算法的回归模型。我们能够用平均R平方= 0.801估计从诊断到潜在不良事件（TAE）的时间，并获得反事实处理效应的准确近似值。利用这些模型的组合，我们提出了ML4CAD，一种新的个性化处方算法。同时考虑多个预测模型的建议，ML4CAD使用投票机制为每位患者确定具有最佳预期结果的治疗。我们通过测量处方的有效性和鲁棒性来评估其性能。我们表明，我们的方法将预期的TAE在当前基线基础上提高了24.11%，将其从4.56年增加到5.66年。该算法在男性（改善24.3%）和西班牙裔（改善58.41%）亚群中表现特别好。最后，我们创建了一个交互式界面，为医生提供了一个直观，准确，易于实施，有效的工具。
2019-10-18 cs.LG stat.AP stat.ML
Towards personalised intervention: A causal-dynamical framework to determine psychological treatment trajectories
University of Amsterdam（阿姆斯特丹大学）；Maastricht University（马斯特里赫特大学）
针对心理健康治疗效果不佳的问题，提出一个因果动力学框架，通过构建因果图、估计因果效应并模拟干预策略，为个体患者定制治疗重点。
2026-06-08 nlin.AO stat.AP
Some methods for heterogeneous treatment effect estimation in high-dimensions
在为病人设计治疗方案时，除了他们的医学教育和已发表的临床试验外，医生通常没有多少量化的证据来作为他们决策的基础。仅斯坦福医疗保健就拥有数百万电子病历（EMR），这些病历最近才被用来提供更好的治疗建议。这些数据提出了一个独特的挑战，因为它们是高维和观测。我们的目标是根据过去患者与新患者相似的结果提出个性化的治疗建议。我们提出并分析了三种使用观察数据估计异质性处理效应的方法。我们的方法在使用各种各样的处理效应函数的模拟中表现良好，并且我们将两种最有前途的方法应用于来自SPRINT数据分析挑战的数据，来自高血压治疗的大型随机试验的结果。
2017-07-01 stat.ML
Implementation of Tripartite Estimands Using Adherence Causal Estimators Under the Causal Inference Framework
在任何规模和持续时间的临床试验中，并发事件（ICE）和缺失值都是不可避免的，因此难以评估随机临床试验中所有患者的处理效应。定义与临床研究问题相关的适当被估量是分析数据的第一步。三方被估量评价了不良事件导致的ICE患者比例、缺乏疗效导致的ICE患者比例以及在因果推断框架下能够坚持研究治疗的患者的主要疗效结局的治疗差异，许多利益相关者对理解总体处理效应感兴趣。在本文中，我们讨论了如何基于因果推断框架估计三方被估量的细节，以及如何通过评价1型糖尿病患者基础胰岛素治疗的3期临床研究解释三方估计。
2020-05-29 stat.AP
Identifying predictive biomarkers of CIMAvaxEGF success in advanced Lung Cancer Patients
目的：确定CIMAvaxEGF成功治疗非小细胞肺癌患者的预测生物标志物。研究方法：根据因果推断方法，对评估CIMAvax-EGF与最佳支持治疗对生存时间影响的临床试验数据进行回顾性分析。治疗前潜在的预测生物标志物包括基础血清EGF浓度、外周血参数和免疫衰老生物标志物（CD 8 + CD 28- T细胞比例、CD 4+和CD 8 + T细胞比例、CD 4-CD 8比例和CD 19 + B细胞比例）。纳入了33例信息完整的患者。计算所有可能模型的预测因果信息（PCI）。选择具有最少数量的预测因子但具有高预测准确度（PCI>0.7）的模型。使用治疗成功的预测概率确定良好、罕见和不良反应患者。结果：PCI的平均值从仅考虑一个预测因素时的0.486增加到使用所有预测因素的多变量方法时的0.98。选择考虑CD 4 + T细胞比例、基础EGF浓度、NLR、单核细胞和中性粒细胞作为预测因子的模型（PCI>0.74）。与对照组相比，根据用CIMAvax-EGF治疗的治疗前生物标志物值预测为良好应答者的患者具有显著更高的观察到的存活率（p=0.03）。不良反应者无差异。结论：外周血参数和免疫衰老生物标志物与血清中的基础EGF浓度一起导致CIMAvax-EGF在晚期NSCLC中成功的良好预测因子。该研究说明了一种新的方法，基于因果推断，评估多变量治疗前预测因素的应用
2019-11-12 stat.AP
Effect of secular trend in drug effectiveness study in real world data
IBM Watson（IBM沃森）；IBM Research（IBM研究院）
我们在最近批准的药物的药物有效性研究中发现了长期趋势偏差。我们比较了接受新批准药物的患者和接受标准治疗的患者的治疗结果。所有在新药批准日期后诊断的患者都被考虑在内。我们建立了一个机器学习因果推理模型，以确定可能对新批准的药物有更好反应的患者亚群。在确定了我们的数据中存在长期趋势偏差之后，我们试图以两种不同的方式调整偏差。首先，我们根据新药批准日期后患者开始治疗（新的或标准的）的天数匹配患者。其次，我们在模型中纳入了一个协变量，即新药批准日期与治疗（新的或标准的）开始日期之间的天数。两种方法都不能完全缓解偏倚。我们将剩余偏倚归因于患者疾病严重程度的差异或其他不可测量的患者特征。如果我们没有在我们的数据中发现长期趋势偏差，那么解释因果推理模型时就不会考虑这种潜在的偏差。了解、测试和处理数据中的潜在偏差对于减少AI建模中的不确定性至关重要。
2018-08-18 cs.LG stat.ML
Robust Blocked Response-Adaptive Randomization Designs
在大多数临床试验中，患者以相等的概率随机分配到治疗组中，以获得处理效应的无偏估计。反应自适应随机化（RAR）是出于伦理原因而提出的，其中随机化比率连续倾斜以有利于更好的治疗。然而，关于自适应随机化中时间趋势引起的偏倚的实质性分歧尚未得到充分认识。当存在时间趋势时，传统的贝叶斯RAR方法会夸大第一类错误。在我们的方法中，患者被分配到区组中，并且针对区组重新计算随机化比率，而不是传统的自适应随机化，其中每个患者都进行了随机化。我们进一步研究了频率论和贝叶斯设计的一系列场景的设计。我们比较了我们的方法与平等的随机化和不同数量的区组，包括传统的RAR设计，其中随机化比例是改变患者的基础。如果每个区组中有两名或更多患者，则对分析进行分层。由于可能无法从$μ_i$获取任何信息，因此应避免使用小块。另一方面，具有大区块的RAR在效率和治疗更多受试者到更好的治疗之间具有良好的平衡，同时保留了区块RAR的独特无偏性。
2019-09-12 stat.AP
Adaptive Experiment Design with Synthetic Controls
University of Cambridge（剑桥大学）
针对患者反应异质性，提出Syntax自适应试验设计，通过自适应招募和合成对照识别有阳性治疗效果的亚群体，提升样本效率。
2024-02-09 cs.LG stat.ML
Augmented Patient Preference Incorporated Reinforcement Learning (APP-RL) to Estimate the Optimal Dynamic Treatment Regime
本研究提出APP-RL方法，通过数据增强整合患者潜在偏好到基于树的强化学习中，用于估计多阶段、多治疗的最优动态治疗策略，经模拟验证具有鲁棒性和高效性。
2026-10-02 stat.ME
An optimal dynamic treatment regime estimator for indefinite-horizon survival outcomes
提出基于广义生存随机森林的不定限期最优动态治疗策略估计方法，支持变数治疗阶段并防止数据维度增长，理论证明其一致性，经模拟与真实数据验证有效。
2025-01-30 stat.ME
Decision making and uncertainty quantification for individualized treatments
个体化治疗规则（ITR）可以通过认识到患者对治疗的反应可能不同，并为每个人分配最理想的预测结果来改善健康结果。灵活和有效的预测模型是理想的基础，这样的ITR处理患者因素和治疗之间的潜在复杂的相互作用。现代贝叶斯半参数和非参数回归模型在这方面提供了一个有吸引力的途径，因为这些模型允许对患者特定治疗决策的自然后验不确定性进行量化，以及基于预测的ITR的人群范围值。此外，通过使用这些模型，还可以对最佳ITR的值进行推断。我们提出了这样一种方法，并使用贝叶斯加性回归树（BART）实现它，因为该模型已被证明在将非参数回归函数拟合到连续和二进制响应时表现良好，即使有许多协变量。它在实际应用中也具有计算效率。BART研究了一种治疗策略，该策略利用BART模型对患者结局进行个性化预测。每种治疗下患者结局的后验分布用于分配最大化预期后验效用的治疗。我们还描述了如何近似这样的治疗政策与临床上可解释的ITR，并量化其预期的结果。与现有的几种方法相比，所提出的方法在广泛的仿真研究中表现得非常好。我们说明了使用所提出的方法来确定接受造血细胞移植的患者的预处理方案的个性化选择，并量化这种选择方法的最佳ITR以及非个性化治疗策略的价值。
2017-09-21 stat.ME
Latent-state models for precision medicine
观察性纵向研究是研究慢性精神疾病治疗有效性和安全性的常用方法。在许多此类研究中，治疗变化可能由患者或其临床医生发起，因此患者在时间、数量和类型上可能差异很大。事实上，在双相抑郁的STEP-BD研究的观察纵向路径中，这项工作的动机之一，即使在将诊所访视粗化为每周一次的时间尺度后，也没有两个患者具有相同的治疗史。使用这些数据来估计最佳治疗方案是具有挑战性的，因为人们不能天真地将具有相同治疗史的患者集中在一起，这是基于逆概率加权的方法所要求的，也不可能在决策点上应用反向归纳，这是在Q学习及其变体中完成的。因此，需要额外的结构来随着时间的推移有效地汇集患者之间和患者内的信息。目前许多慢性精神疾病的科学理论认为，患者的疾病状态可以被概念化为在少数离散状态之间过渡。我们使用这个理论来告知患者健康轨迹的部分可观察的马尔可夫决策过程模型的构建，其中观察到的健康结果由患者的潜在健康状态决定。使用这个模型，我们推导和评估估计的最佳治疗方案下两个常见的范式量化长期患者的健康。通过一系列模拟实验和STEP-BD研究的观测路径的应用证明了所提出的估计的有限样本性能。我们发现，所提出的方法提供了高质量的估计的最佳治疗策略的设置中，现有的方法不能应用没有特别的修改。
2020-06-11 stat.ME
Doubly Robust Goodness-of-Fit Test of Coarse Structural Nested Mean Models with Application to Initiating combination antiretroviral treatment in HIV-Positive Patients
粗结构嵌套均值模型（SNEML）为从具有时间依赖性混杂因素的纵向观察数据中估计处理效应提供了有用的工具。粗SNARY产生了一大类估计量，其中可以在处理效应、处理开始和滋扰回归结果的良好指定模型的条件下导出最佳估计量（Lok & Griner，2015）。关键假设在于处理效应的明确指定模型;然而，没有指定处理效应模型的现有指南，模型错误指定导致估计值偏倚，妨碍有效推断。为了检验处理效应模型是否与数据匹配良好，我们基于过度识别限制检验推导出拟合优度（GOF）检验程序（Sargan，1958; Hansen，1982）。我们表明，我们的GOF统计是双重强大的意义上说，一个正确的处理效应模型，如果治疗启动模型或滋扰回归结果模型被正确指定，GOF统计有卡方限制分布的自由度等于数量的过度识别的限制。我们使用基于实际数据集的模拟设计来证明我们的方法的经验相关性。此外，我们应用GOF测试程序来研究感染后高效抗逆转录病毒治疗（HAART）的开始时间如何预测急性和早期感染的HIV阳性患者的一年处理效应。
2015-12-10 stat.ME
Identifying treatment effect heterogeneity in dose-finding trials using Bayesian hierarchical models
药物开发中的一项重要任务是确定患者对实验性治疗的反应更好或更差。识别影响处理效应并可用于定义患者亚组的预测协变量是这项任务的关键方面。然而，已知处理效应异质性分析具有挑战性，因为可能的协变量或亚组的数量通常很大，而药物开发早期阶段的样本量通常很小。此外，区分预测协变量与预后协变量（其影响与给定治疗无关的反应）通常很困难。虽然已经提出了许多解决这些问题的方法，但大多数方法都集中在两组临床试验环境中，即给予患者治疗或对照。在本文中，我们考虑平行组剂量探索试验，其中患者给予不同剂量的相同治疗。为了研究这种情况下的处理效应异质性，我们提出了一个协变量对剂量反应参数有影响的贝叶斯分层剂量反应模型。我们利用收缩先验来防止过度拟合，当考虑的协变量数量很大而样本量很小时，过度拟合很容易发生。我们在模拟中比较了几个这样的先验，并研究了预后和预测效应的相关建模，以更好地区分这两种类型的效应。我们说明了使用我们提出的方法，使用II期剂量探索试验，并显示它如何可以用来确定预测协变量和亚组的患者增加处理效应。
2018-11-26 stat.ME
Identifying optimally cost-effective dynamic treatment regimes with a Q-learning approach
关于患者治疗策略的卫生政策决定需要考虑治疗效果和成本。在有效性方面优化治疗规则可能导致过于昂贵的策略;另一方面，在成本方面优化可能导致患者预后不良。我们提出了一个两步的方法来确定一个最佳的成本效益和可解释的动态治疗方案。首先，我们开发了一个相结合的Q-学习和政策搜索的方法来估计一个最佳的列表为基础的制度下的预期治疗费用的约束。其次，我们提出了一个迭代的过程来选择一个最佳的成本效益的制度，从一组候选制度对应于不同的成本约束。我们的方法可以估计最佳的制度存在时变的混杂，审查和相关的结果。通过模拟研究，我们说明了估计的治疗方案的有效性，并检查灵活的建模方法下的操作特性。我们还应用我们的方法来评估最佳的成本效益的治疗策略分配辅助治疗子宫内膜癌患者。
2021-10-18 stat.ME
Constructing optimal dynamic monitoring and treatment regimes: An application to hypertension care
针对高血压患者监测方案优化研究的空白，提出一种基于Robins g方法和动态加权普通最小二乘的双重稳健动态监测与加药方案构建方法，经模拟和SPRINT试验数据验证，可用于个性化就诊和用药决策。
2025-01-14 stat.ME
Using Pilot Data to Size Observational Studies for the Estimation of Dynamic Treatment Regimes
已经有显着的注意力给予开发数据驱动的方法，用于定制基于个体患者特征的患者护理。动态治疗方案通过将患者信息映射到建议治疗的一系列决策规则来形式化这一点。用于估计和评价治疗方案的数据理想地通过使用序贯多分配随机试验（SMART）收集，尽管由于进行SMART的潜在成本过高，通常使用纵向观察性研究。这些研究的规模通常是固定治疗序列的简单比较，或者在观察性研究的情况下，通常不进行先验样本量计算。我们开发了样本量程序，用于从观察性研究中估计动态治疗方案。我们的方法使用试点数据，以确保研究将有足够的把握度比较最佳方案的价值，即预期的结果，如果所有患者在人群中接受治疗后的最佳方案，与已知的比较平均值。我们的方法还确保了估计的最佳治疗方案的值在具有高概率的真实最佳方案的值的先验集合范围内。我们研究的性能与模拟研究的建议程序，并使用它来规模的研究，减少抑郁症状，使用电子健康记录的数据。
2022-02-18 stat.ME
Method of Moments Confidence Intervals for a Semi-Supervised Two-Component Mixture Model
来自未治疗患者的反应分布和该分布的偏移的混合物是来自一组治疗患者的反应的有用模型。混合模型解释了这样一个事实，即并非治疗组中的所有患者都会对治疗产生应答，因此其应答遵循与未治疗患者的应答相同的分布。在这种情况下，处理效应包括作为应答者的治疗患者的分数和应答者分布的变化幅度。在本文中，我们调查的处理效应的矩估计方法的性质，并证明其有用性获得近似置信区间，而无需任何参数假设的响应分布。
2021-07-14 stat.ME
Bayesian meta-analysis for evaluating treatment effectiveness in biomarker subgroups using trials of mixed patient populations
本文扩展贝叶斯随机效应荟萃分析，利用混合人群试验中的治疗效应及生物标志物阴性患者比例插值估计阳性亚组效应，提升精度且保持低偏倚。
2023-06-06 stat.AP stat.ME
A modified weighted log-rank test for confirmatory trials with a high proportion of treatment switching
在确证性癌症临床试验中，根据监管标准，总生存期（OS）通常是意向治疗（ITT）分析的主要终点。在肿瘤进展后，通常分配到对照组的患者转换为实验治疗或同一类别的其他药物。与对照组相比，这种治疗转换可能会稀释新药的相对疗效，导致统计功效降低。可以通过缩短随访时间来减少估计偏倚，但这可能导致信息和把握度的损失。相反，我们提出了一种改进的加权对数秩检验（mWLR），旨在通过降低许多患者转换治疗时发生的事件的权重来平衡这些因素。由于权重应预先指定，并且治疗转换的影响未知，因此我们预测风险比函数，并使用其计算mWLR的权重。该方法可能包含来自先前试验的关于随时间推移的潜在风险比函数的信息。我们的动机是在转移性肾细胞癌患者中进行的依维莫司与安慰剂的RECORD-1试验，其中安慰剂组中几乎80%的患者在疾病进展后接受依维莫司治疗。大量的模拟表明，新的测试提供了相当高的效率比标准的对数秩检验在现实的情况下。
2020-05-19 stat.ME
Estimating the treatment effect in a subgroup defined by an early post-baseline biomarker measurement in randomized clinical trials with time-to-event endpoint
生物标志物测量可以相对容易和快速地获得，并且它们对于研究化合物是否在机理、药理学水平上如预期那样起作用是有用的。在某些情况下，假设患者的基线后生物标志物水平表明其对药物的反应不充分，也不太可能对临床相关的长期结局（如至事件发生时间）产生反应，这是现实的。然而，在根据其生物标志物水平对药物有充分应答的患者亚组中确定处理效应并不简单：尚不清楚哪些安慰剂组患者在接受治疗后会有应答，因此治疗和安慰剂之间的简单比较将无法估计感兴趣的处理效应。本文的目的是调查必要的假设，以获得因果关系的结论，在这样的设置，利用形式主义的因果推断。三种方法估计亚组的影响将开发和说明使用模拟和案例研究。
2018-06-22 stat.ME
Continuous-time structural failure time model for intermittent treatment
针对慢性病间歇性治疗的现有估计方法存在信息损失和偏倚问题，提出基于连续时间结构失效时间模型、用删失逆概率加权处理相依删失的双稳健局部有效估计方法。
2024-01-28 math.ST stat.ME stat.TH
Nonparametric estimation of an optimal treatment rule with fused randomized trials and missing effect modifiers
针对多随机试验协变量不匹配难以估计最优动态治疗规则的问题，提出一种非参数估计量，融合多试验信息，并在阿片类药物使用障碍治疗试验中验证其可匹配患者亚组与最优药物。
2025-06-12 stat.AP stat.ME
Personalized Treatment Selection via Product Partition Models with Covariates
针对精准医学中的治疗选择问题，提出一种基于协变量的产品划分模型，通过灵活聚类患者并利用预测推断选择最优治疗，避免启发式聚类的不确定性低估，在异质性场景下表现优异，并能估计聚类反应概率以识别获益患者。
2023-09-01 stat.AP stat.ME
On Estimation of Optimal Treatment Regimes For Maximizing t-Year Survival Probability
治疗方案是基于患者的个体预后信息指示个性化治疗的确定性函数。人们对寻找最佳治疗方案以最大限度地提高癌症和艾滋病等复杂疾病患者的预期长期临床结果的兴趣正在迅速增长。对于许多以生存时间作为主要终点的临床研究，主要目标是在给定治疗的情况下最大化患者的生存概率。在这篇文章中，我们首先提出了两个非参数估计的生存函数的患者以下一个给定的治疗方案。然后，我们推导出估计的最佳治疗方案的基础上基于值的搜索算法内的一组治疗方案索引的参数。在适当的正则性条件下，建立了导出的最优治疗方案下生存概率的估计量的渐近性质。模拟进行评估的数值性能的建议估计在各种情况下。最后以一个艾滋病临床试验数据为例说明了该方法的应用.
2014-07-29 math.ST stat.ME stat.TH
Safe and Interpretable Estimation of Optimal Treatment Regimes
Johns Hopkins University（约翰斯·霍普金斯大学）；Duke University（杜克大学）；Harvard Medical School（哈佛医学院）；Massachusetts General Hospital（麻省总医院）；Beth Israel Deaconess Medical Center（贝斯以色列女执事医疗中心）
本文提出一个安全且可解释的框架，通过匹配相似患者并插值构建最优治疗方案，模拟和重症癫痫治疗研究验证其有效性，并发现应根据癫痫严重程度采取差异化用药策略。
2024-04-01 cs.LG stat.AP stat.ME
Patient stratification in multi-arm trials: a two-stage procedure with Bayesian profile regression
精准医学是一个新兴领域，它考虑到个体异质性，为更好的临床实践提供信息。在临床试验中，评价处理效应异质性是一个重要组成部分，最近，已经提出了许多统计方法，用于根据这种异质性将患者分为不同的亚组。然而，大多数为此目的开发的现有方法集中在二分治疗的情况下，并不直接适用于多组试验。在本文中，我们考虑在多组试验设置的患者分层的问题，并提出了一个两阶段的贝叶斯非参数框架内的程序。具体来说，我们首先使用贝叶斯加性回归树（BART）来预测每个患者在不同治疗方案下的潜在结果（治疗反应），然后我们利用贝叶斯轮廓回归根据患者的基线特征和预测的潜在结果将其聚类为亚组。我们进一步嵌入变量选择程序到我们提出的框架，以确定积极“驱动”的聚类结构的患者特征。我们进行模拟研究，以检查我们提出的方法的性能，并通过将其应用于英国的多臂献血试验来证明该方法，其中我们的方法揭示了五个有临床意义的供体亚组。
2023-02-22 stat.AP stat.ME
Evaluating causal effects on time-to-event outcomes in an RCT in Oncology with treatment discontinuation
针对肿瘤学RCT中因不良事件导致治疗停药的问题，提出一种贝叶斯主分层框架，将ITT效应分解为主因果效应，以评估治疗停药对生存结果的因果影响，并阐明协变量在提升推断精度和刻画停药行为中的关键作用。
2024-10-16 stat.AP stat.ME
Adaptive Semi-Supervised Inference for Optimal Treatment Decisions with Electronic Medical Record Data
治疗方案是根据患者的协变量信息为患者分配治疗的规则。最近，估计最佳治疗方案，产生最大的整体预期临床结果的利益已经吸引了很多关注。在这项工作中，我们考虑估计的最佳治疗方案与电子病历数据下的半监督设置。在这里，数据由两部分组成：一组“标记”患者，我们有协变量，治疗和结果信息，以及一组更大的“未标记”患者，我们只有协变量信息。我们提出了一种基于估算的半监督方法，利用“未标记”的个人，以获得更有效的估计的最佳治疗方案。所提出的估计和相关的推理过程的渐近性质。进行模拟研究，以评估所提出的方法的经验性能，并与一个完全监督的方法，只使用标记的数据进行比较。一个应用程序的电子医疗记录数据集上的治疗重症监护病房（ICU）停留期间的呕吐发作也给出了进一步说明。
2022-03-04 stat.ME stat.ML
A Clinical Instrument to Measure Patient Anecdotes in Clinical Trials
本文提出Clinical IMPACT工具，用于捕捉神经领域非癫痫改善的定性证据，通过专家评审和统计分析提高治疗效果评估的敏感性和全面性。
2025-11-30 stat.AP stat.ME
Identifying treatment response subgroups in observational time-to-event data
University of Cambridge（剑桥大学）；The Alan Turing Institute（艾伦·图灵研究所）；University of Oxford（牛津大学）
本文提出了一种基于结果导向的亚组分析策略，用于在随机对照试验和观察性研究中识别治疗反应不同的患者亚组，从而提升医疗决策的精准性。
2025-12-09 cs.AI stat.ME
Adaptive Weight Learning for Multiple Outcome Optimization With Continuous Treatment
提出一种自适应权重学习算法，利用观察数据同时估计复合结果权重和决策过程，构建结合连续治疗选项与多结果的个体化治疗方案，促进精准医疗中的变量选择与推断。
2024-02-16 math.ST stat.ME stat.TH
