# Szacowanie, komu leczenie pomoże (efekt indywidualny)

EN: **Individualised treatment effect estimation** · id `treatmenteffects` · aliases: heterogeneous treatment effects, CATE estimation, causal machine learning in medicine, personalized treatment recommendation, efekty heterogeniczne leczenia

Path: [AI Atlas](https://aiatlasgraph.com/llms.txt) › [AI w medycynie i ochronie zdrowia](https://aiatlasgraph.com/t/healthai.md) › [Prognozowanie ryzyka z dokumentacji pacjenta](https://aiatlasgraph.com/t/clinicalprediction.md) › Szacowanie, komu leczenie pomoże (efekt indywidualny)

## Description

- PL: Estymacja warunkowego średniego efektu leczenia (CATE) z danych randomizowanych lub obserwacyjnych metodami przyczynowego uczenia maszynowego, jako podstawa rekomendacji terapii.
- EN: Estimating the conditional average treatment effect (CATE) from randomised or observational data with causal machine learning, as a basis for treatment recommendations.

## In one sentence

- PL: Metody, które z danych o wielu pacjentach próbują ocenić, czy dany lek pomoże właśnie tej osobie.
- EN: Methods that use data from many patients to estimate whether a treatment will help this particular person.

## Problem it solves

- PL: Badania podają średni efekt leku, ale jedni pacjenci zyskują dużo, inni nic, a niektórym lek szkodzi.
- EN: Trials report a drug's average effect, but some patients gain a lot, others nothing, and some are harmed.

## What it does

- PL: Porównuje podobnych pacjentów leczonych i nieleczonych, jak szukanie bliźniaka, który wybrał inną drogę, i sprawdza, co się stało.
- EN: Compares similar treated and untreated patients, like finding a twin who took the other path, and checks what happened.

## Everyday example

- PL: Kardiolog widzi przy karcie pacjenta szacunek, jak bardzo intensywniejsze leczenie obniżyłoby jego ryzyko w porównaniu ze standardowym.
- EN: A cardiologist sees in the patient's record an estimate of how much a stronger treatment would lower this person's risk versus standard care.

## This concerns you if you…

- PL: zastanawiasz się, czy średni wynik badania dotyczy ciebie
- PL: analizujesz dane obserwacyjne o leczeniu
- EN: wonder whether a trial's average applies to you
- EN: analyse observational treatment data

## Keywords

CATE · X-learner · causal forest · TARNet · DoubleML · EconML · target trial emulation · uplift modeling · policy learning

## How it works

- PL: Meta-uczniowie (S-, T-, X-learner) budują estymator efektu z dowolnych modeli regresji, a lasy przyczynowe i sieci reprezentacyjne szacują go bezpośrednio. Na danych obserwacyjnych emuluje się docelowe badanie kliniczne, kontroluje zakłócacze i sprawdza nakładanie grup; z efektów wyprowadza się politykę leczenia.
- EN: Meta-learners (S-, T-, X-learner) build an effect estimator from any regression models, while causal forests and representation networks estimate it directly. On observational data a target trial is emulated, confounders are adjusted and group overlap checked; a treatment policy is derived from the effects.

## Limits

- PL: Efektu indywidualnego nigdy nie obserwuje się wprost, więc walidacja jest trudna. Nieuwzględnione zakłócacze i brak nakładania grup dają błędne zalecenia. Żaden meta-uczeń nie jest zawsze najlepszy, a wdrożenie wymaga potwierdzenia w badaniu prospektywnym.
- EN: The individual effect is never observed directly, so validation is hard. Unmeasured confounders and poor overlap produce wrong recommendations. No meta-learner is uniformly best, and deployment needs prospective confirmation.

## Key terms

- PL: **CATE**: Średni efekt leczenia dla osób o określonych cechach.
- PL: **zakłócacz**: Czynnik wpływający i na wybór leczenia, i na wynik.
- PL: **emulacja badania docelowego**: Analiza danych z praktyki tak, jakby były badaniem z losowaniem.
- EN: **CATE**: Average treatment effect for people with given characteristics.
- EN: **confounder**: Factor affecting both treatment choice and outcome.
- EN: **target trial emulation**: Analysing routine data as if it were a randomised trial.

## Know first

- [Wnioskowanie przyczynowe (Causal inference)](https://aiatlasgraph.com/t/causalinference.md)

## Related topics

Untyped, symmetric "see also" links.

- [Uczenie maszynowe dla czasu do zdarzenia (Machine learning for time-to-event outcomes)](https://aiatlasgraph.com/t/survivalanalysis.md)

## Sources

- [Meta-learners for Estimating Heterogeneous Treatment Effects using Machine Learning](<https://arxiv.org/abs/1706.03461>) `metalearners-cate-2017` · by Sören R. Künzel, Jasjeet S. Sekhon, Peter J. Bickel, Bin Yu
- [From Observational Data to Clinical Recommendations: A Causal Framework for Estimating Patient-level Treatment Effects and Learning Policies](<https://arxiv.org/abs/2507.11381>) `causal-clinical-recs-2025` · by Rom Gutman, Shimon Sheiba, Omer Noy Klein, Naama Dekel Bird, Amit Gruber, Doron Aronson, Oren Caspi, Uri Shalit

---

AI Atlas revision 124 (2026-10-31) · HTML: https://aiatlasgraph.com/t/treatmenteffects · index: https://aiatlasgraph.com/llms.txt · everything: https://aiatlasgraph.com/llms-full.txt · updated 2026-10-30