Dimension-reduced outcome-weighted learning for estimating individualized treatment regimes in observational studies
观察研究中估计个体化治疗规则的降维结局加权学习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：摘要直接研究潜在结局对比、混杂调整和观察数据中的个体化治疗分配。
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…
观察研究中估计个体化治疗规则的降维结局加权学习
- 研究问题
- 如何在高维观察数据中提取治疗效应异质性的低维表示，同时允许混杂调整依赖全部协变量，以学习个体化治疗规则？
- 方法与思路
- 作者以潜在结局对比为目标进行充分降维，结合结局加权学习估计规则，并通过核协变量平衡处理完整协变量下的治疗分配。
- 材料陈述的贡献
- 摘要称，方法无需将效应降维子空间也视为混杂调整的充分空间，并在正则条件下达到风险收敛至贝叶斯风险的一致性。
- 阅读关注点
- 应核对观察数据的因果识别条件、效应子空间的识别、核平衡与降维的衔接，以及普适一致性所需条件和验证流程。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未列所谓温和条件，也未给有限样本数值，不能据此保证临床决策收益。
原文摘要
Individualized treatment regimes (ITRs) aim to improve clinical outcomes by assigning treatment based on patient-specific characteristics. However, existing methods often struggle with high-dimensional covariates, limiting accuracy, interpretability, and real-world applicability. We propose a novel sufficient dimension reduction approach that directly targets the contrast between potential outcomes and identifies a low-dimensional subspace of the covariates capturing treatment effect heterogeneity. This reduced representation enables more accurate estimation of optimal ITRs through outcome-weighted learning. To accommodate observational data, our method incorporates kernel-based covariate balancing, allowing treatment assignment to depend on the full covariate set and avoiding the restrictive assumption that the subspace sufficient for modeling heterogeneous treatment effects is also sufficient for confounding adjustment. We show that the proposed method achieves universal consistency, i.e., its risk converges to the Bayes risk, under mild regularity conditions. We demonstrate its finite sample performance through simulations and an analysis of intensive care unit sepsis patient data to determine who should receive transthoracic echocardiography.