Čo je to heterogénny účinok liečby a ako ho hľadať?

Heterogénny účinok liečby (HTE) je efekt zásahu (napríklad liečby, reklamnej kampane, zmeny rozhrania), ktorý sa líši v závislosti od vlastností jednotlivých podskupín alebo dokonca jednotlivých používateľov. Na rozdiel od Priemerného účinku liečby (ATE), ktorý ukazuje priemerný efekt na celú populáciu, HTE umožňuje pochopiť, pre ktoré segmenty je efekt silnejší alebo slabší.

Na vyhľadanie HTE sa zvyčajne používajú nasledujúce prístupy:

1. Stratifikácia — rozdelenie údajov na podskupiny podľa vlastností (vek, región, správanie) a hodnotenie efektu v každej skupine.
2. Modely s interakciami — tvorba regresných modelov s interakciami medzi vlastnosťou liečby a ďalšími premennými.
3. Metódy strojového učenia — použitie algoritmov špeciálne navrhnutých na hodnotenie HTE, ako je Causal Forest, uplift modely, cielené rozhodovacie stromy.

Príklad s použitím Causal Forest (v Pythone s knižnicou econml):

from econml.grf import CausalForest

# X - vlastnosti, T - binárna liečba, y - výsledok
model = CausalForest()
model.fit(y, T, X)

# Predpoveď účinku liečby pre každý objekt
hte = model.effect(X)

Týmto spôsobom HTE pomáha prijímať presnejšie rozhodnutia, prispôsobením zásahu rôznym segmentom používateľov.