Bayesian additive regression trees for evaluating treatment benefit predictors using observational data
用贝叶斯加性回归树评估观察数据中的治疗获益预测器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：摘要评价患者治疗获益预测，明确涉及非随机治疗分配、混杂调整和因果识别假设，因此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…
用贝叶斯加性回归树评估观察数据中的治疗获益预测器
- 研究问题
- 仅有观察数据时，如何评估预先指定的治疗获益预测器在目标人群中的区分与校准表现，并量化评价结果的不确定性？
- 方法与思路
- 作者利用 BART 调整混杂并获得预测表现指标的后验分布，以获益集中度指数和校准曲线评价既定预测器，辅以模拟和病例研究。
- 材料陈述的贡献
- 摘要称，该方法可灵活评价治疗获益预测并表达不确定性；在 COPD 抗生素治疗案例中，所评预测器的风险与治疗获益预测失准。
- 阅读关注点
- 应核对观察数据所需的因果识别假设、表现指标的目标量及后验构造，并检查案例中的校准评价是否具有适当的不确定性表达。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未详列识别假设及模拟条件，个案失准结果不能推广到所有获益预测器。
原文摘要
A treatment benefit predictor (TBP) is an algorithm that maps a patient's characteristics to their putative benefit from a given treatment, which can be used to inform treatment decisions. However, a TBP must be evaluated in the target population before being adopted for patient care. When only observational data are available, evaluating TBPs requires standard causal identification assumptions, as treatment assignment in such settings is not random. We obtain the posterior distributions of predictive performance measures to evaluate prespecified TBPs using observational data, by taking advantage of Bayesian additive regression trees (BART). We illustrate the evaluation of TBPs using selected measures and graphical visualizations: the concentration of benefit ($C_b$) index and the moderate calibration curve. Simulation studies of binary and continuous outcomes settings, including balanced and imbalanced treatment allocation in the binary setting, establish the validity of the proposed approach. In a case study, we use this approach to assess a TBP for systemic antibiotic therapy for patients with chronic obstructive pulmonary disease (COPD). We show that the constructed TBP does not in fact make calibrated predictions, because it both makes optimistic predictions of risks and exaggerates the risk reduction due to treatment. We conclude that flexible Bayesian approaches have the potential to assess TBPs, offering opportunities for flexible model specifications, adjustment for confounding, and uncertainty characterization.