Evaluating Treatment Benefit Predictors using Observational Data: Contending with Identification and Confounding Bias
利用观测数据评价处理获益预测器：识别与混杂偏差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：摘要研究个体处理获益指标在观测数据中的识别和混杂偏差，属于因果推断，而非一般结果预测评价。
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…
利用观测数据评价处理获益预测器：识别与混杂偏差
- 研究问题
- 处理分配非随机时，如何评价预先指定的个体处理获益预测器的区分度和校准度，并理解混杂控制不足造成的偏差？
- 方法与思路
- 作者将依赖潜在处理获益的评价指标改写为可观测数据分布的泛函，以获益集中指数和中度校准曲线为例分析识别与偏差。
- 材料陈述的贡献
- 摘要称，可对两类评价指标建立识别表达；混杂偏差的传播较常见因果效应更复杂，通常不能沿用效应偏差方向的直觉。
- 阅读关注点
- 应核对潜在处理获益的定义、指标识别所需的假设，以及混杂如何进入区分度和校准度，导致不同的偏差模式。
- 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；摘要限于单时点二元处理，未列出完整识别条件或实证结果。
原文摘要
A treatment benefit predictor (TBP) is a function that maps patient characteristics to an estimate of the treatment benefit for that patient. Such predictors support optimizing individualized treatment decisions, which are central to precision medicine. However, evaluating the predictive performance of a TBP is challenging, as this often must be conducted in a sample where treatment assignment is not random. After briefly reviewing several metrics for evaluating TBPs, we show conceptually how to evaluate a pre-specified TBP using observational data from the target population, for a binary treatment decision at a single time point. We exemplify with a particular measure of discrimination (the concentration of benefit index) and a particular measure of calibration (the moderate calibration curve). The population-level definitions of these metrics involve the latent treatment benefit variable, but we show identification by re-expressing the respective estimands in terms of the distribution of observable data only. We also show that in the absence of full confounding control, bias propagates in a more complex manner than when targeting more commonly encountered estimands. We find the patterns of biases are often unpredictable, and general intuition about the direction of bias in causal effect estimates does not hold in the present context.