Details

Работа решает одну из центральных проблем персонализированной медицины: как оценить индивидуальный эффект лечения, если данные клинического исследования частично цензурированы. Изучены метаобучатели S-, T-, DR-, X-learner, разобраны слабые места существующих методов аугментации survival-данных и предложен алгоритм перегруппировки обучающей выборки. На Python с использованием scikit-survival и scikit-learn написан классобёртка SurvivalRegroupWrapper, совместимый с интерфейсом sklearn. Базовая модель − случайный лес выживаемости. Чтобы честно измерить качество, сгенерирован синтетический набор из 3 000 наблюдений, где истинный эффект лечения известен заранее. Метод проверен на девяти типах синтетических данных и сопоставлен с IPW. Перегруппировка снизила PEHE на 15–23%, ATE_bias − на 51–87%, причём сразу для всех четырёх мета-обучателей.

This work addresses one of the central challenges of personalized medicine: how to estimate individual treatment effect when clinical trial data are partially censored. Meta-learners (S-, T-, DR-, and X-learner) are studied, the weaknesses of existing augmentation methods for survival data are analyzed, and a training set regrouping algorithm is proposed. A wrapper class, SurvivalRegroupWrapper, compatible with the sklearn interface, was implemented in Python using scikit-survival and scikit-learn. The base model is a random survival forest. To measure performance rigorously, a synthetic dataset of 3,000 observations was generated, for which the true treatment effect is known in advance. The method was tested on nine types of synthetic data and compared against inverse probability weighting (IPW). Regrouping reduced the Precision in Estimation of Heterogeneous Effect (PEHE) by 15–23% and the average treatment effect bias (ATE bias) by 51–87%, consistently across all four meta-learner.