Time-Varying Causal Survival Learning
时变处理下的因果生存学习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：摘要明确研究时变处理的因果效应，并以分期处理假设连接生存分析，因此归入因果推断。
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…
关注这篇论文的作者
时变处理下的因果生存学习
- 研究问题
- 当患者接受治疗的时间不同且生存结果受到患者特征影响时，如何估计具有因果解释的治疗效应，并避免治疗时点带来的偏差？
- 方法与思路
- 作者连接分期接受处理设计与生存分析，讨论前者的假设何时支持后者的因果解释，并引入双重机器学习处理复杂协变量关系。
- 材料陈述的贡献
- 摘要称，该框架使既有生存分析方法获得因果解释，并在模拟及心脏移植应用中降低偏差，同时提供效率改善的理论保证。
- 阅读关注点
- 应核对分期处理假设与生存模型之间的具体连接条件、目标因果效应的定义，以及双重机器学习的估计步骤和效率结论。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明具体识别条件、删失处理及比较方法，无法确认优势的适用范围。
原文摘要
This work bridges the gap between staggered adoption designs and survival analysis to estimate causal effects in settings with time-varying treatments, addressing a fundamental challenge in medical research exemplified by the Stanford Heart Transplant study. In medical interventions, particularly organ transplantation, the timing of treatment varies significantly across patients due to factors such as donor availability and patient readiness, introducing potential bias in treatment effect estimation if not properly accounted for. We identify conditions under which staggered adoption assumptions can justify the use of survival analysis techniques for causal inference with time-varying treatments. By establishing this connection, we enable the use of existing survival analysis methods while maintaining causal interpretability. Furthermore, we enhance estimation performance by incorporating double machine learning methods, improving efficiency when handling complex relationships between patient characteristics and survival outcomes. Through both simulation studies and application to heart transplant data, our approach demonstrates superior performance compared to traditional methods, reducing bias and offering theoretical guarantees for improved efficiency in survival analysis settings.