[论文解读] Estimating heterogeneous treatment effects with right-censored data via causal survival forests
本文提出因果生存森林（causal survival forests），一种新颖的随机森林方法，用于在右删失数据下估计生存分析中的异质处理效应。通过整合双重稳健估计方程以处理在无混淆性假设下的删失和选择偏倚，该方法实现了对生存时间条件平均处理效应的非参数、稳健估计，在模拟实验和真实世界艾滋病临床试验数据（ACTG175）应用中均优于现有基线方法。
Forest-based methods have recently gained in popularity for non-parametric treatment effect estimation. Building on this line of work, we introduce causal survival forests, which can be used to estimate heterogeneous treatment effects in a survival and observational setting where outcomes may be right-censored. Our approach relies on orthogonal estimating equations to robustly adjust for both censoring and selection effects under unconfoundedness. In our experiments, we find our approach to perform well relative to a number of baselines.
研究动机与目标
- 解决现有针对右删失生存数据的异质处理效应估计方法中存在的空白。
- 开发一种非参数、稳健的方法，同时考虑观察性生存研究中的删失和选择偏倚。
- 通过整合生存分析中的双重稳健估计技术，将因果森林方法扩展至生存结局。
- 在正规性条件下，建立预测结果的渐近一致性和正态性。
- 在模拟数据和真实世界艾滋病临床试验数据（ACTG175）上展示方法的实证性能。
提出的方法
- 该方法使用因果森林，其分裂规则直接基于异质处理效应估计，而非基于结果方差。
- 应用基于双重稳健生存分析（Tsiatis, 2007；van der Laan & Robins, 2003）的正交估计方程，以校正删失和混杂影响。
- 该方法在仅观测到右删失生存时间 $ U_i = T_i \land C_i $ 和删失指示变量 $ \Delta_i $ 的情况下，仍能估计条件平均处理效应 $ \tau(x) = \mathbb{E}[T_i(1) - T_i(0) \mid X_i = x] $。
- 通过删失概率的逆概率加权（IPCW）方法，在估计方程中校正删失偏倚。
- 该算法在 R/C++ 包 grf 中实现，采用默认调参策略，并支持通过 10,000 棵树生成置信区间。
- 通过将估计的处理效应对协变量进行最佳线性投影，评估异质性与可解释性。
实验结果
研究问题
- RQ1能否将因果森林框架适配于右删失生存结局下估计异质处理效应？
- RQ2在右删失生存设定下，所提出方法相较于非双重稳健基线方法（如虚拟双胞胎法和 S-learner）的性能如何？
- RQ3因果生存森林在一致性与预测正态性方面的渐近性质为何？
- RQ4该方法如何在观察性生存数据中同时处理混杂与删失问题？
- RQ5该方法在真实世界临床数据中能多大程度揭示有意义的处理效应异质性？
主要发现
- 在模拟实验中，因果生存森林在均方误差和与真实条件平均处理效应相关性方面显著优于虚拟双胞胎法和 S-learner 基线方法。
- 在连续和离散生存时间数据生成过程中，该方法的均方误差（乘以 100）均低于两个基线方法。
- 在 ACTG175 数据集中，估计的条件平均处理效应随年龄变化，95% 置信区间中显示出正向趋势，表明在老年患者中齐多夫定+地达诺新相比单用地达诺新可能存在潜在益处。
- 最佳线性投影显示，大多数协变量的回归系数无统计显著性，表明在所观察的协变量中，处理效应的强且可解释的异质性有限。
- 该方法对删失和混杂具有稳健性，在正规性条件下预测结果具有一致性和渐近正态性。
- grf 包中的软件实现支持实际部署，具备置信区间和样本加权（用于 IPCW）功能。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。