研究人员开发了一种新的统计方法,为识别可能从治疗中获益最多或最少的个体亚组提供性能保证。该方法解决了有偏和有噪声的条件平均治疗效应 (CATE) 估计以及在同一数据中进行亚组识别和效应估计所固有的多重检验问题。这种新方法称为 GATES(Group Average Treatment Effect Sorted by Generic Machine Learning),使用一致置信区间来统计保证识别出 GATES 超过特定效应大小的亚组,而与所选阈值无关。该方法依赖于随机治疗分配和抽样,以及连续性和矩条件,并推导出估计误差的维纳表示,以在不进行模型重拟合的情况下实现渐近精确的一致覆盖。 AI
影响 增强了机器学习在识别患者亚组以进行靶向治疗方面的可靠性,改进了临床试验分析。
排序理由 该集群包含一篇详细介绍机器学习应用新统计方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
- arXiv
- Conditional average treatment effect estimation with marginally constrained models
- Gaussian draws
- Group Average Treatment Effect Sorted by Generic Machine Learning
- machine learning
- Michael Lingzhi Li
- prostate cancer
- stat.ML
- Wiener representation
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →