为解决现有因果异质性效应估计方法主要聚焦于二元处理而难以适应多元处理情景的不足，提出了一种创新的两阶段多元处理—因果森林方法（multiple treatment-causal forest，MT-CF）。该方法通过两个阶段的分析过程实现了对多元处理因果异质性效应的精准估计。第1阶段采用传统因果森林方法计算成对处理之间的效应差异；第2阶段将成对处理的效应差异拓展至多元处理，从而估计每种处理相较于所有处理平均效应的差异。设计了两组模拟实验以验证MT-CF方法在不同情景下的表现；此外，还将MT-CF方法应用于监测、流行病学和最终结果（the surveillance， epidemiology， and end results， SEER）数据库中，通过对乳腺癌数据的分析评估患者术后辅助治疗的个体化疗效。结果表明：在两组模拟实验中，MT-CF方法均表现优异，其多个评价指标均优于其他基准方法；在评估患者术后辅助治疗的个体化疗效中，该方法也能够估计多种治疗方案的相对效应，为患者个体化治疗决策提供了科学依据，同时进一步验证了MT-CF方法在真实医疗数据中的实用性和可靠性。所提方法不仅为多元处理因果效应的估计提供了一种有效工具，也为复杂因果推断问题的解决提供了新的视角与思路。
暂无评论