Nicolas Alexander Ihlo

新算法增强个体治疗效果的可解释预测

研究人员开发了一种基于决策树和随机森林的新算法，用于估计个体治疗效果，旨在提高预测准确性和可解释性。该方法的操作类似于标准的随机森林，但采用了一种独特的分割标准，该标准结合了对平均治疗效果的偏差校正以及对治疗效果异质性的关注。该算法可以处理观察性研究，而无需估计完整的倾向函数，并且其可解释性直接来源于拟合的树结构，无需事后分析。模拟研究表明，这种方法在实现具有竞争力的预测准确性的同时，显著增强了对治疗效果变化的理解。