Robust Estimation of Heterogeneous Treatment Effects using Electronic Health Record Data
利用电子健康记录稳健估计异质性处理效应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：摘要以电子健康记录中的异质性处理效应估计及因果推断学习器为核心。
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
利用电子健康记录稳健估计异质性处理效应
- 研究问题
- 在电子健康记录存在异常值、数据不规则和高维协变量时，如何稳健估计异质性处理效应，并建立有效的统计推断？
- 方法与思路
- 作者以共同得分函数统一多种学习器，引入最小绝对偏差回归与降维，并提出同时施加稀疏性及平滑性惩罚的加权估计量。
- 材料陈述的贡献
- 摘要称估计量在一组正则条件下渐近正态，模拟显示其对异常值更稳健，并用于评估两种常用降压治疗的效应。
- 阅读关注点
- 应核对共同得分如何对应各学习器、绝对偏差损失为何仍针对目标处理效应，以及因果识别、降维和渐近正态所需条件。
- 阅读边界
- 所据为 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未说明具体正则与识别条件，也未给出临床效应数值。
原文摘要
Estimation of heterogeneous treatment effects is an essential component of precision medicine. Model and algorithm-based methods have been developed within the causal inference framework to achieve valid estimation and inference. Existing methods such as the A-learner, R-learner, modified covariates method (with and without efficiency augmentation), inverse propensity score weighting, and augmented inverse propensity score weighting have been proposed mostly under the square error loss function. The performance of these methods in the presence of data irregularity and high dimensionality, such as that encountered in electronic health record (EHR) data analysis, has been less studied. In this research, we describe a general formulation that unifies many of the existing learners through a common score function. The new formulation allows the incorporation of least absolute deviation (LAD) regression and dimension reduction techniques to counter the challenges in EHR data analysis. We show that under a set of mild regularity conditions, the resultant estimator has an asymptotic normal distribution. Within this framework, we proposed two specific estimators for EHR analysis based on weighted LAD with penalties for sparsity and smoothness simultaneously. Our simulation studies show that the proposed methods are more robust to outliers under various circumstances. We use these methods to assess the blood pressure-lowering effects of two commonly used antihypertensive therapies.