Robust inference for predictive heterogeneity between subpopulations

Population-level heterogeneity is ubiquitous in biomedical data, where differences across demographic or clinical subgroups can substantially alter risk patterns. Existing approaches for detecting predictive heterogeneity are often sensitive to baseline model misspecification and regularization bias, both of which commonly arise in practice. In this paper, we propose a robust framework for inferring predictive heterogeneity between two populations using Neyman orthogonality, which yields estimators that are locally insensitive to nuisance parameter estimation error. The simulation studies demonstrate that our method substantially reduces bias and improves inferential stability compared with standard likelihood-based approaches. In an application to the eICU Data, our method reveals clinically meaningful ethnicity-specific heterogeneities in admission diagnoses for in-hospital mortality that standard likelihood-based methods fail to detect.

Inférence robuste pour l'hétérogénéité prédictive entre sous-populations

L'hétérogénéité au niveau de la population est omniprésente dans les données biomédicales, où les différences entre sous-groupes démographiques ou cliniques peuvent considérablement modifier les profils de risque. Les approches existantes pour détecter l'hétérogénéité prédictive sont souvent sensibles aux erreurs de spécification du modèle de base et aux biais de régularisation, deux problèmes courants dans la pratique. Dans cet article, nous proposons un cadre robuste pour déduire l'hétérogénéité prédictive entre deux populations à l'aide de l'orthogonalité de Neyman, qui produit des estimateurs localement insensibles aux erreurs d'estimation des paramètres parasites. Des études de simulation démontrent que notre méthode réduit considérablement les biais et améliore la stabilité inférentielle par rapport aux approches standard basées sur la vraisemblance. Dans une application aux données eICU, notre méthode révèle des hétérogénéités cliniquement significatives spécifiques à l'origine ethnique dans les diagnostics d'admission pour la mortalité hospitalière que les méthodes standard basées sur la vraisemblance ne parviennent pas à détecter.

Session

Défis de la médecine de précision, y compris pour les maladies rares

Date and Time