Finite sample performance of optimal treatment rule estimators with right-censored outcomes
右删失结局下最优治疗规则估计量的有限样本表现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：摘要围绕观察性数据中的治疗效应异质性、最优治疗决策及规则实施后的结局评估展开，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…
右删失结局下最优治疗规则估计量的有限样本表现
- 研究问题
- 在观察性数据且生存时间可能右删失的情况下，如何依据患者特征选择提高生存概率的基线治疗，并评估相关估计量的有限样本表现？
- 方法与思路
- 作者通过多种模拟情景，比较结局回归与直接搜索方法对最优治疗规则的估计，同时评估执行治疗规则后的期望结局估计量。
- 材料陈述的贡献
- 摘要称，灵活建模结局的方法在比较中表现较好，包括治疗规则非线性的情景；研究侧重右删失背景下的实际估计表现，并称提供复现用 R 代码。
- 阅读关注点
- 应核对生存概率对应的时间点、删失与治疗分配机制、规则学习和价值评估是否使用独立样本，以及各方法的调参与评价指标。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或获期刊接收；摘要未说明因果识别及删失条件、样本量和数值差异，代码可用性也未经核验。
原文摘要
Patient care may be improved by recommending treatments based on patient characteristics when there is treatment effect heterogeneity. Recently, there has been a great deal of attention focused on the estimation of optimal treatment rules that maximize expected outcomes. However, there has been comparatively less attention given to settings where the outcome is right-censored, especially with regard to the practical use of estimators. In this study, simulations were undertaken to assess the finite-sample performance of estimators for optimal treatment rules and estimators for the expected outcome under treatment rules. The simulations were motivated by the common setting in biomedical and public health research where the data is observational, survival times may be right-censored, and there is interest in estimating baseline treatment decisions to maximize survival probability. A variety of outcome regression and direct search estimation methods were compared for optimal treatment rule estimation across a range of simulation scenarios. Methods that flexibly model the outcome performed comparatively well, including in settings where the treatment rule was non-linear. R code to reproduce this study's results are available on Github.