新R包通过估计复杂风险情景下的治疗效果，助力个性化医疗

研究人员开发了一个名为`crsurvlearners`的新R包，以帮助估计竞争风险情景下的条件平均治疗效果（CATEs）。这在个性化医疗中尤其有用，因为在考虑其他潜在事件的同时，理解特定事件的治疗有效性至关重要。该包系统地比较了六种元学习器，这些学习器结合了不同的风险建模和直接CATE建模方法，并在各种模拟情景下评估它们的性能，以指导模型选择。 AI

影响 为医学研究中更精确的治疗效果估计提供了工具，有望改善个性化医疗。

排序理由 该集群描述了一篇详细介绍统计方法学和相应软件包的新学术论文。[lever_c_demoted from research: ic=1 ai=0.4]

在 arXiv cs.LG 阅读 →

• arXiv
• Conditional average treatment effects
• Cox proportional hazards model
• crsurvlearners
• elastic net regression
• random forest
• Random survival forests
• R package

• 论文
• 其他

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