换一批基于Rboost因果机器学习的出血性中风个体化疗效评价
Personalized Treatment Effect Evaluation of Hemorrhagic Stroke based on Causal Machine Learning with Rboost
摘要目的 治疗效应异质性的识别与量化是现代医学面临的核心挑战之一.本文介绍了Rboost这一因果机器学习方法,并将其应用于出血性中风患者的个体化治疗效应估计.方法 基于361例住院患者的临床试验数据,计算每个个体的基线效应、治疗倾向和治疗效应,并对影响治疗效果的重要变量进行排序.通过5折交叉验证评价Rboost的操作性能,并与Rlasso、Rridge、Relastic、随机森林和贝叶斯加性回归树进行比较.结果 Rboost模型在准确度(0.87)、F1值(0.92)、马修斯相关系数(0.59)和Brier得分(0.10)等指标上均优于其他方法.结论 Rboost方法不仅能够进行群体治疗效应估计,还能基于个体的基线特征预测患者在接受或不接受治疗两种情况下的预期效应,为个性化医疗决策提供强有力的支持.
更多相关知识
关键词
异质性治疗效应个体化治疗因果机器学习Heterogeneity of treatment effectsIndividualized treatmentCausal machine learning
栏目名称
DOI
10.11783/j.issn.1002-3674.2026.02.003
发布时间
2026-05-15（万方平台首次上网日期，不代表论文的发表时间）
基金项目
- 浏览1
- 被引0
- 下载1
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
