Newest papers

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

Tomàs Garriga, Munib Mesinovic, Luke De Bretton-Gordon, Gerard Sanz, Axel Brando, Tingting Zhu · 2026 · arXiv

DOI: 10.48550/arXiv.2610.26710 · open-access PDF

Vietnamese

Ước tính các hiệu ứng điều trị sống sót không đồng nhất (HSTE) từ dữ liệu thời gian đến sự kiện trong các phương pháp điều trị thay đổi theo thời gian là quan trọng trong các lĩnh vực như y học (ví dụ, để quyết định chuỗi các phương pháp điều trị nào tốt hơn về khả năng sống sót). Tuy nhiên, nhiệm vụ này là thách thức bởi vì các quyết định điều trị, đặc điểm bệnh nhân và khả năng kiểm duyệt thường phát triển cùng nhau, đòi hỏi điều chỉnh liên tiếp cho cả phương pháp điều trị và kiểm duyệt.

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 uncens

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

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