Leveraging machine learning to estimate individualized treatment effects in cluster-randomized trials
利用机器学习估计整群随机试验中的个体化治疗效应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：摘要明确研究整群随机试验中的条件平均治疗效应及治疗效应异质性估计。
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…
利用机器学习估计整群随机试验中的个体化治疗效应
- 研究问题
- 在两组平行整群随机试验中，如何结合个体与群组的基线协变量，估计连续结局的条件平均治疗效应并刻画治疗反应差异？
- 方法与思路
- 作者定义对未观测群组异质性边际化的因果目标，整合多种混合效应机器学习方法，以群组随机截距处理群组内依赖。
- 材料陈述的贡献
- 摘要提出统一估计框架，通过多种模拟情景和加纳血压控制试验提供应用指导，并称配套可复现代码支持一致的实施流程。
- 阅读关注点
- 核对条件平均效应与群组随机效应的关系、边际化的具体实施，以及各机器学习方法的调参、群组划分和验证策略。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收均未核验；摘要未报告各方法的比较数值，也不能将条件平均效应解释为个体真实效应。
原文摘要
Cluster-randomized trials (CRTs) are widely used to evaluate interventions delivered at the clinic, practice, or community level. Although standard analyses typically target average treatment effects, such summaries mask potentially meaningful variation in treatment response across individuals and clusters. This work addresses the estimation of conditional average treatment effects (CATEs) for continuous outcomes in two-arm parallel CRTs by defining causal estimands that incorporate both individual- and cluster-level baseline covariates while marginalizing over unobserved cluster heterogeneity. To estimate these quantities, we develop a unified framework based on mixed-effects machine learning, integrating and extending a range of existing approaches, including Bayesian additive regression trees with random effects, multilevel Bayesian causal forests, mixed-effects random forests, several mixed-effects gradient boosting procedures, and generalized additive mixed models, while incorporating cluster-specific random intercepts to account for within-cluster dependence. We evaluate these methods across diverse simulation scenarios and demonstrate their use in the Task Shifting and Blood Pressure Control in Ghana CRT, which investigates strategies for improving hypertension management. Drawing on these investigations, we provide practical guidance for applying mixed-effects machine learning to quantify treatment-effect heterogeneity in CRTs, together with reproducible code that enables investigators to implement all methods within a coherent workflow.