Newest papers

Doubly Robust Learning of Heterogeneous Survival Treatment Effects under Time-Varying Treatments

Tomàs Grau Garriga, Munib Mesinovic, Luke De Bretton-Gordon, Gerard Sanz, Axel Brando, Tingting Zhu · 2026 · arXiv (Cornell University)

DOI: 10.48550/arxiv.2610.26710 · cited by 0 works (OpenAlex) · open-access PDF

Arabic

إن تقدير تأثيرات العلاج البشري المزدوج (HSTEs) من بيانات الوقت إلى الأحداث خلال العلاج المزدوج هو مهم في مجالات مثل الطب (على سبيل المثال، لتحديد ما هو سلسلة العلاج أفضل من حيث احتمال البقاء). ومع ذلك، فإن هذه المهمة صعبة لأن قرارات العلاج، ميزات المريض، وفرص التقييم تتطور في كثير من الأحيان معا، مما يحتاج إلى تعديل سلسلة لكل العلاج والتقييم. يتطلع الطلاب البشري البشري الحالي إلى الاعتماد على وظيفة علاج أساسية واحدة، في حين أن الطلاب الذين يعانون من تأثيرات العلاج المزدوجة عادة ما يتطلعون إلى النتائج غير المحددة. في هذه المقالة، نحن نقدم نموذجاً جديداً لقياسات الع

Machine translation (Meta M2M100); the English original follows.

Abstract

Estimating heterogeneous survival treatment effects (HSTEs) from time-to-event data under time-varying treatments is important in fields such as medicine (e.g., to decide which sequence of treatments is better in terms of survival probability). However, this task is challenging because treatment decisions, patient characteristics, and censoring probability often evolve together, requiring sequential adjustment for both treatments and censoring. Existing survival learners mostly consider a single baseline treatment assignment, while longitudinal treatment-effect learners typically assume uncensored outcomes. In this paper, we introduce a novel doubly robust learner for heterogeneous survival treatment effects under time-varying treatments and history-dependent censoring. Our framework separates the intervention window from the survival horizon, with treatment prescribed for a finite period, after which care follows its natural course. We further establish the favorable theoretical properties of Neyman-orthogonality, rate double robustness and quasi-oracle efficiency. The framework accommodates flexible machine learning models for nuisance estimation and treatment-effect regression. We evaluate our learners through several numerical experiments, demonstrating their effectiveness.

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Topics: Censoring (clinical trials), Robustness (evolution), Computer science, Survival analysis, Artificial intelligence, Machine learning

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange