Детальная информация

Предмет исследования – метод переноса и аугментации обучающей выборки для повышения точности оценки индивидуального эффекта лечения. Работа посвящена задаче оценки ITE по данным выживаемости при цензурированных наблюдениях и отсутствии леченых в отдельных областях пространства признаков. Цель – разработать и исследовать модель оценки эффекта лечения на основе Random Survival Forest и переноса отобранных цензурированных наблюдений контрольных в группу леченых. Сформулирована математическая постановка, рассмотрены методы анализа выживаемости и обосновано использование RSF для табличных цензурированных данных. Предложенная модель оценивает ITE, отбирает контрольные с положительной предварительной оценкой эффекта, расширяет выборку леченых и повторно оценивает качество прогноза. Проверка выполнена на синтетических данных с известным истинным эффектом. Проведены эксперименты с различной геометрией областей отсутствия леченых, долей цензурирования и числом переносимых наблюдений. Показано снижение ошибки восстановления ожидаемого времени выживания и ITE в областях отсутствия леченых. Модель применима для прогноза выживаемости и оценки ITE по цензурированным медицинским данным при недостаточном числе наблюдений леченых.

The subject of the study is a method for transferring and augmenting the training sample to improve individual treatment effect estimation accuracy. The thesis addresses ITE estimation from survival data with censored observations and absence of treated samples in selected regions of the feature space. The aim is to develop and study a treatment effect estimation model based on Random Survival Forest and transfer of selected censored control observations to the treated group. The thesis formalizes the problem, reviews survival analysis methods, and motivates RSF for tabular censored data. The proposed model estimates ITE, selects controls with a positive preliminary effectestimate, expands the treated sample, and re-estimates prediction quality. Evaluation uses synthetic datasets with a known true treatment effect. Experiments cover different geometries of regions without treated samples, censoring rates, and numbers of transferred observations. The model reduces the error of recovering expected survival time and ITE in regions without treated samples. It can be used for survival prediction and ITE estimation from censored medical data when treated observations are insufficient locally.