Precision Mental Health: Predicting Heterogeneous Treatment Effects for Depression through Data Integration
精准精神健康：通过数据整合预测抑郁症的异质性处理效应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：摘要以随机试验整合、条件平均处理效应和向目标患者人群外推为核心，直接属于异质性因果效应推断。
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…
精准精神健康：通过数据整合预测抑郁症的异质性处理效应
- 研究问题
- 如何整合多个随机对照试验的信息，为试验之外的目标患者预测条件平均处理效应，并表达跨研究的不确定性？
- 方法与思路
- 作者提出两阶段元分析方法，以各试验的条件平均处理效应分布构建目标人群预测区间，首阶段可使用多类模型。
- 材料陈述的贡献
- 摘要称方法给出95%预测区间，并纳入研究内外变异；抑郁症试验应用除潜在年龄差异外未发现强异质性证据。
- 阅读关注点
- 应核对目标人群与试验人群之间的外推条件、两阶段误差传播、预测区间的覆盖对象，以及研究间变异如何估计。
- 阅读边界
- 这是arXiv预印本，同行评审和期刊接收未获确认；摘要未说明外推条件，也不能由群体平均效应直接判断个体疗效。
原文摘要
When treating depression, clinicians are interested in determining the optimal treatment for a given patient, which is challenging given the amount of treatments available. To advance individualized treatment allocation, integrating data across multiple randomized controlled trials (RCTs) can enhance our understanding of treatment effect heterogeneity by increasing available information. However, extending these inferences to individuals outside of the original RCTs remains crucial for clinical decision-making. We introduce a two-stage meta-analytic method that predicts conditional average treatment effects (CATEs) in target patient populations by leveraging the distribution of CATEs across RCTs. Our approach generates 95\% prediction intervals for CATEs in target settings using first-stage models that can incorporate parametric regression or non-parametric methods such as causal forests or Bayesian additive regression trees (BART). We validate our method through simulation studies and operationalize it to integrate multiple RCTs comparing depression treatments, duloxetine and vortioxetine, to generate prediction intervals for target patient profiles. Our analysis reveals no strong evidence of effect heterogeneity across trials, with the exception of potential age-related variability. Importantly, we show that CATE prediction intervals capture broader uncertainty than study-specific confidence intervals when warranted, reflecting both within-study and between-study variability.