Co je to heterogenní účinek léčby a jak ho hledat?

Heterogenní účinek léčby (HTE) je efekt zásahu (například léčby, reklamní kampaně, změny rozhraní), který se liší v závislosti na vlastnostech jednotlivých podskupin nebo dokonce jednotlivých uživatelů. Na rozdíl od průměrného účinku léčby (ATE), který ukazuje průměrný efekt na celé populaci, HTE umožňuje pochopit, ve kterých segmentech je efekt silnější nebo slabší.

Pro hledání HTE se obvykle používají následující přístupy:

1. Stratifikace — rozdělení dat do podskupin podle vlastností (věk, region, chování) a hodnocení efektu v každé skupině.
2. Modely s interakcemi — tvorba regresních modelů s interakcemi mezi vlastností léčby a dalšími proměnnými.
3. Metody strojového učení — použití algoritmů speciálně navržených pro hodnocení HTE, například Causal Forest, uplift modely, cílené rozhodovací stromy.

Příklad s použitím Causal Forest (v Pythonu s knihovnou econml):

from econml.grf import CausalForest

# X - vlastnosti, T - binární léčba, y - výsledek
model = CausalForest()
model.fit(y, T, X)

# Předpověď efektu léčby pro každý objekt
hte = model.effect(X)

Tímto způsobem HTE pomáhá přijímat přesnější rozhodnutí, přizpůsobením zásahu různým segmentům uživatelů.