English(EN) A Unified Causal Inference Framework for the Desirability of Outcome Ranking Paradigm in Benefit-Risk Evaluation

揭示用于效益-风险评估的新因果推断框架

作者 PulseAugur 编辑部 · [1 个来源] · 2026-08-07 04:00

研究人员开发了一个新颖的因果推断框架，用于评估效益-风险评估中的结果排序期望值（DOOR）。该框架通过分析不同治疗策略下的边际序数结果分布来量化DOOR概率。模拟表明，具有超级学习器的目标最大似然估计（TMLE-SL）在点估计性能上表现更优，优于G计算和逆概率加权等其他方法。 AI

影响引入了一个新的因果推断统计框架，可能影响人工智能在风险效益分析中的决策。

排序理由该条目是一篇学术论文，详细介绍了一个新的统计框架和方法论。[lever_c_demoted from research: ic=1 ai=0.7]

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv stat.ML TIER_1 English(EN) · Yuan Feng, Shiyu Shu, Yixin Fang, Ionut Bebu, Toshimitsu Hamasaki, Scott Evans, Guoqing Diao · 2026-08-07 04:00

面向效益风险评估中结果排序范式的统一因果推断框架

arXiv:2608.05244v1 Announce Type: new Abstract: We developed a unified covariate-adjusted causal inference framework for estimating the desirability of outcome ranking (DOOR) probability for benefit-risk evaluation in randomized trials and observational studies. The framework exp…