Doubly Robust Targeted Estimation of Subgroup Average Treatment Effects for Time-to-event Outcomes with Competing Risks
竞争风险生存结局的亚组平均处理效应双重稳健目标估计AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确以亚组平均处理效应为因果目标，使用有效影响函数与双重稳健目标估计。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
竞争风险生存结局的亚组平均处理效应双重稳健目标估计
- 研究问题
- 存在竞争风险的生存数据中，如何估计亚组平均处理效应，并识别与效应异质性有关的变量以支持个体化治疗研究？
- 方法与思路
- 作者基于累积发生函数定义目标效应，推导有效影响函数并构建目标最大似然估计，允许多种回归和机器学习模型参与估计。
- 材料陈述的贡献
- 摘要称方法具有渐近效率与双重稳健性，理论结果经模拟检验；同时提出两类变量重要性指标，用于研究处理效应异质性。
- 阅读关注点
- 核对亚组定义、竞争事件和删失处理、因果识别条件及双重稳健的模型组合，并检查变量重要性指标对应的目标参数。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未列出识别与效率条件，也未说明数据驱动亚组选择是否影响后续推断。
原文摘要
In recent years, precision treatment strategies have gained significant attention in medical research, particularly for patient care. We propose a novel framework for estimating subgroup average treatment effects (ATE) in time-to-event data with competing risks, using ICU patients with sepsis as an illustrative example. Our approach, based on cumulative incidence functions and targeted maximum likelihood estimation (TMLE), achieves both asymptotic efficiency and double robustness. The primary contribution of this work lies in our derivation of the efficient influence function for the targeted causal parameter, subgroup ATE. We established the theoretical proofs for these properties, and subsequently confirmed them through simulations. Our TMLE framework is flexible, accommodating various regression and machine learning models, making it applicable in diverse scenarios. In order to identify variables contributing to treatment effect heterogeneity and to facilitate accurate estimation of subgroup ATE, we developed two distinct variable importance measures (VIMs). This work provides a powerful tool for optimizing personalized treatment strategies, furthering the pursuit of precision medicine.