Counterfactual Phenotyping with Censored Time-to-Events
删失事件时间数据中的反事实表型识别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：摘要围绕反事实推理、异质性处理效应和随机临床试验中的干预响应展开。
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…
删失事件时间数据中的反事实表型识别
- 研究问题
- 面对死亡、再住院等可能删失的事件时间结果，如何区分基础生存差异与干预作用，并识别具有不同处理响应的个体亚群？
- 方法与思路
- 作者提出潜变量模型，将个体归入响应特征不同的潜在簇，用该结构联系基础生存率与干预效应，并在多项随机临床试验中展示。
- 材料陈述的贡献
- 摘要称方法能够在大型心血管相关随机试验中发现基于处理响应的可行动表型，为描述处理效应异质性提供潜在分组方式。
- 阅读关注点
- 应核对删失机制、混杂处理及潜在簇的可识别性，区分群体响应分组和个体反事实预测，并检查表型稳定性与验证方法。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未说明删失和混杂假设，随机试验中的展示不能直接证明观察性应用有效。
原文摘要
Estimation of treatment efficacy of real-world clinical interventions involves working with continuous outcomes such as time-to-death, re-hospitalization, or a composite event that may be subject to censoring. Counterfactual reasoning in such scenarios requires decoupling the effects of confounding physiological characteristics that affect baseline survival rates from the effects of the interventions being assessed. In this paper, we present a latent variable approach to model heterogeneous treatment effects by proposing that an individual can belong to one of latent clusters with distinct response characteristics. We show that this latent structure can mediate the base survival rates and helps determine the effects of an intervention. We demonstrate the ability of our approach to discover actionable phenotypes of individuals based on their treatment response on multiple large randomized clinical trials originally conducted to assess appropriate treatments to reduce cardiovascular risk.