Clinical studies are often encountered with truncation-by-death issues, which render the outcomes undefined. Statistical analysis based only on observed survivors may lead to biased results because the characters of survivors may differ greatly between treatment groups. Under the principal stratification framework, a meaningful causal parameter, the survivor average causal effect, in the always-survivor group can be defined. This causal parameter may not be identifiable in observational studies where the treatment assignment and the survival or outcome process are confounded by unmeasured features. In this paper, we propose a new method to deal with unmeasured confounding when the outcome is truncated by death. First, a new method is proposed to identify the heterogeneous conditional survival average causal effect based on a substitutional variable under monotonicity. Second, under additional assumptions, the survivor average causal effect on the whole population is identified. Furthermore, we consider estimation and inference for the conditional survivor average causal effect based on parametric and nonparametric methods. The proposed method can be used for post marketing drug safety or efficiency by utilizing real world data.


翻译:临床研究往往遇到截断因死亡引起的问题,结果无法界定。仅根据观察到的幸存者进行的统计分析可能导致有偏差的结果,因为幸存者的个性在治疗群体之间可能差异很大。在主要分层框架下,可以确定一个有意义的因果参数,在总是幸存者群体中,幸存者的平均因果效果。这一因果参数在观察研究中可能无法识别,因为治疗任务以及生存或结果过程因非计量特征而混杂。在本文件中,我们提出了一种新的方法,在结果因死亡而被截断时,处理无法计量的混杂结果。首先,提出了一种新的方法,根据单一性下的替代变量,确定多种有条件生存条件平均因果效应。第二,根据其他假设,确定了幸存者对整个人口的平均因果影响。此外,我们考虑根据参数和非对数方法对有条件幸存者平均因果影响的估计和推断。拟议方法可用于销售后药品安全或利用真实世界数据提高效率。

0
下载
关闭预览

相关内容

因果推断,Causal Inference:The Mixtape
专知会员服务
105+阅读 · 2021年8月27日
【Nature】贝叶斯统计与建模综述,26页pdf
专知会员服务
75+阅读 · 2021年1月21日
【经典书】统计学习导论,434页pdf,斯坦福大学
专知会员服务
234+阅读 · 2020年4月29日
因果图,Causal Graphs,52页ppt
专知会员服务
246+阅读 · 2020年4月19日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Robust Linear Classification from Limited Training Data
Differentially private inference via noisy optimization
Arxiv
14+阅读 · 2020年12月17日
Arxiv
110+阅读 · 2020年2月5日
VIP会员
相关资讯
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Top
微信扫码咨询专知VIP会员