Recovering Sparse and Interpretable Subgroups with Heterogeneous Treatment Effects with Censored Time-to-Event Outcomes
删失事件时间结局下具有异质处理效应的稀疏可解释亚群识别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：摘要直接研究删失结局下的处理效应异质性及亚群识别，因此归入因果推断；稀疏分组未提供分位数或分布效应依据。
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…
删失事件时间结局下具有异质处理效应的稀疏可解释亚群识别
- 研究问题
- 面对随访丢失造成删失的事件时间结局，如何识别相较整体人群具有不同处理效果、且由少量特征描述的可解释亚群？
- 方法与思路
- 作者使用混合模型刻画数据，并通过结构化稀疏正则化收缩参数，提出相应推断程序，以恢复具有不同处理效果的表型亚群。
- 材料陈述的贡献
- 摘要称，该方法能够恢复稀疏表型，并在大型心血管临床研究中展示效果，为删失事件时间数据中的处理异质性分析提供途径。
- 阅读关注点
- 应核对删失机制和混杂如何处理、亚群效果的目标参数，以及稀疏惩罚选择、分组稳定性和外部验证的实施方式。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已通过同行评审或获期刊接收；摘要未说明删失及因果识别假设，也未给出临床结果的具体数值。
原文摘要
Studies involving both randomized experiments as well as observational data typically involve time-to-event outcomes such as time-to-failure, death or onset of an adverse condition. Such outcomes are typically subject to censoring due to loss of follow-up and established statistical practice involves comparing treatment efficacy in terms of hazard ratios between the treated and control groups. In this paper we propose a statistical approach to recovering sparse phenogroups (or subtypes) that demonstrate differential treatment effects as compared to the study population. Our approach involves modelling the data as a mixture while enforcing parameter shrinkage through structured sparsity regularization. We propose a novel inference procedure for the proposed model and demonstrate its efficacy in recovering sparse phenotypes across large landmark real world clinical studies in cardiovascular health.