Distributional Balancing with Machine Learning for Clinical Trial Augmentation Using Real-World Data
利用机器学习实现分布平衡：以真实世界数据增强临床试验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：摘要以临床试验外部对照构建和治疗效应估计所需的协变量平衡为背景，最直接对应因果推断方向。
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…
利用机器学习实现分布平衡：以真实世界数据增强临床试验
- 研究问题
- 当试验招募和退出限制协变量平衡时，如何从真实世界数据库选择外部对照，使其整体协变量分布接近治疗组而非仅匹配个体？
- 方法与思路
- 作者提出 DBML：先用变分自编码器识别相对治疗组分布的异常样本，再对剩余样本重新加权，最后按权重抽取外部对照组。
- 材料陈述的贡献
- 摘要称该方法以分布匹配选择外部对照，并在与其他匹配及加权算法的比较中取得更好的协变量平衡；未报告因果效应估计改善。
- 阅读关注点
- 应核对异常检测与加权目标、协变量重叠和来源差异、抽样后的平衡指标，以及分布平衡能否支持目标效应的识别和有效推断。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明未测量混杂或跨来源可比性的处理，协变量平衡改善不能单独证明因果无偏。
原文摘要
In clinical trials, randomization of treatment and control groups is typically used to ensure the groups have similar covariate distributions on average, resulting in unbiased causal effect estimation. Such balanced covariate distributions are hard to achieve in practice, however, due to recruitment costs, patient dropouts, and more. One possible solution to this problem is to include control patients from external, real world databases. In this paper, we propose DBML, a method that selects control units from a real world database by matching the distribution between the treatment group and the potential control group, instead of matching units between two groups. DBML has three steps. First, we detect anomalous database units (with respect to the treatment distribution) using a variational autoencoder. Second, we re-weight the remaining database units to match the distribution of the treatments. Finally, we use these weights to sample units for our control group. The proposed method is compared to alternative matching-based algorithms and weighted algorithms, achieving superior performance in covariate balance.