Bayesian Hierarchical Bootstrap Framework for Causal Subgroup Estimation with Survival Outcomes

Estimation of prespecified heterogeneous treatment effects is essential for precision medicine where treatment response varies across subpopulations. Existing subgroup causal approaches for survival outcomes rely on flexible outcome modeling but treat subgroup covariate distributions as fixed. The hierarchical Bayesian bootstrap (HBB) addresses distributional uncertainty by borrowing across strata but has not been extended to survival settings. No methods jointly regularize confounder distributions across subgroups while accounting for informative censoring. We extend HBB to survival by integrating it with accelerated failure time models within g-computation, propagating uncertainty from both outcome and distributional components. Simulation results show HBB reduces mean squared error by 24% in the smallest strata compared to empirical plug-in and within-subgroup Bayesian bootstrap, with largest gains when small subgroup sizes coincide with heterogeneous confounding.

Cadre bayésien hiérarchique par bootstrap pour l'estimation causale de sous-groupes avec résultats de survie

L'estimation des effets hétérogènes prédéfinis d'un traitement est essentielle pour la médecine de précision, où la réponse au traitement varie selon les sous-populations. Les approches causales existantes pour les sous-groupes en matière de survie s'appuient sur une modélisation flexible des résultats, mais traitent les distributions des covariables des sous-groupes comme fixes. La méthode hiérarchique bayésienne par bootstrap (HBB) traite l'incertitude distributionnelle en empruntant entre les strates, mais n'a pas été étendue aux contextes de survie. Aucune méthode ne régularise conjointement les distributions des facteurs de confusion entre les sous-groupes tout en tenant compte de la censure informative. Nous étendons le HBB à la survie en l'intégrant à des modèles de temps de défaillance accélérée dans le cadre du calcul g, propageant l'incertitude à partir des composantes de résultat et de distribution. Les résultats en simulation montrent que le HBB réduit l'erreur quadratique moyenne de 24% dans les plus petites strates par rapport au plug-in empirique et au bootstrap bayésien au sein des sous-groupes, avec des gains plus importants lorsque la taille des petits sous-groupes coïncide avec une confusion hétérogène.

Session

Student Research Presentation Award Competition in Biostatistics III

Date and Time