論文の概要: Technical Background for "A Precision Medicine Approach to Develop and
Internally Validate Optimal Exercise and Weight Loss Treatments for
Overweight and Obese Adults with Knee Osteoarthritis"
- arxiv url: http://arxiv.org/abs/2001.09930v3
- Date: Thu, 20 Feb 2020 20:20:44 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-06 07:58:58.234480
- Title: Technical Background for "A Precision Medicine Approach to Develop and
Internally Validate Optimal Exercise and Weight Loss Treatments for
Overweight and Obese Adults with Knee Osteoarthritis"
- Title（参考訳）: 変形性膝関節症患者に対する最適運動療法と減量療法の確立・内部的検証のための精密医学的アプローチ」の技術的背景
- Authors: Xiaotong Jiang, Amanda E. Nelson, Rebecca J. Cleveland, Daniel P.
Beavers, Todd A. Schwartz, Liubov Arbeeva, Carolina Alvarez, Leigh F.
Callahan, Stephen Messier, Richard Loeser, Michael R. Kosorok
- Abstract要約: 精度医学の背景、価値関数のジャックニフェ推定器の導出とその推定分散について詳しく述べる。
変形性膝関節症に対する最適なITRの臨床的応用と解釈について,Jiangらに紹介する。
- 参考スコア（独自算出の注目度）: 0.7437459197111806
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We provide additional statistical background for the methodology developed in
the clinical analysis of knee osteoarthritis in "A Precision Medicine Approach
to Develop and Internally Validate Optimal Exercise and Weight Loss Treatments
for Overweight and Obese Adults with Knee Osteoarthritis" (Jiang et al. 2020).
Jiang et al. 2020 proposed a pipeline to learn optimal treatment rules with
precision medicine models and compared them with zero-order models with a
Z-test. The model performance was based on value functions, a scalar that
predicts the future reward of each decision rule. The jackknife (i.e.,
leave-one-out cross validation) method was applied to estimate the value
function and its variance of several outcomes in IDEA. IDEA is a randomized
clinical trial studying three interventions (exercise (E), dietary weight loss
(D), and D+E) on overweight and obese participants with knee osteoarthritis. In
this report, we expand the discussion and justification with additional
statistical background. We elaborate more on the background of precision
medicine, the derivation of the jackknife estimator of value function and its
estimated variance, the consistency property of jackknife estimator, as well as
additional simulation results that reflect more of the performance of jackknife
estimators. We recommend reading Jiang et al. 2020 for clinical application and
interpretation of the optimal ITR of knee osteoarthritis as well as the overall
understanding of the pipeline and recommend using this article to understand
the underlying statistical derivation and methodology.
- Abstract（参考訳）: 変形性膝関節症に対する運動負荷および体重減少療法の開発と内科的検証のための精密医学的アプローチ (Jiang et al. 2020) において, 膝関節症の臨床解析に開発された方法論について, さらなる統計学的背景を提供する。
Jiang氏らは、精密医療モデルで最適な治療規則を学習し、Zテストでゼロオーダーモデルと比較するパイプラインを提案した。
モデル性能は、各決定ルールの今後の報酬を予測するスカラーである値関数に基づいていた。
jackknife法 (ref-one-out cross validation) を用いて値関数とその結果の分散を推定した。
ideaは、膝変形性膝関節症患者および肥満者に対する3つの介入(exercise (e), 食餌量減少 (d), d+e)を検討したランダムな臨床試験である。
本報告では,議論と正当化を統計学的背景から拡張する。
精度医学の背景、価値関数のjackknife推定値の導出とその推定分散、jackknife推定値の一貫性特性、およびjackknife推定値の性能をより反映する追加のシミュレーション結果について詳しく述べる。
我々はjiang et al. 2020を臨床応用し, 最適な膝関節症 itr の解釈, パイプラインの総合的理解のために推奨し, 基礎となる統計的導出と方法論を理解するために本論文の利用を推奨する。
関連論文リスト
- Personalized Prediction Models for Changes in Knee Pain among Patients with Osteoarthritis Participating in Supervised Exercise and Education [0.0]
膝関節症(英語: Knee osteoarthritis, OA)は、運動性障害と生活の質を低下させる慢性疾患である。
OA症状の痛みと機能的制限を管理するための運動療法と患者教育のメリットが証明されているにもかかわらず、これらの戦略は、しばしば未利用である。
予測を改善するには、GLA:D以外の新しい変数が必要である。
論文 参考訳（メタデータ） (2024-10-16T14:15:01Z) - Enhancing End Stage Renal Disease Outcome Prediction: A Multi-Sourced Data-Driven Approach [7.212939068975618]
10,326人のCKD患者のデータを利用して,2009年から2018年までの臨床とクレーム情報を組み合わせた。
24ヶ月の観測窓は早期検出と予測精度のバランスをとるのに最適であると同定された。
2021年のeGFR方程式は予測精度を改善し、特にアフリカ系アメリカ人の偏見を低減した。
論文 参考訳（メタデータ） (2024-10-02T03:21:01Z) - Automatic diagnosis of knee osteoarthritis severity using Swin
transformer [55.01037422579516]
変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。
我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
論文 参考訳（メタデータ） (2023-07-10T09:49:30Z) - Deep Learning for Predicting Progression of Patellofemoral
Osteoarthritis Based on Lateral Knee Radiographs, Demographic Data and
Symptomatic Assessments [1.1549572298362785]
本研究はMOST研究のベースラインから被験者(被験者1832名,膝3276名)を抽出した。
PF関節領域は, 側膝X線上の自動ランドマーク検出ツール(BoneFinder)を用いて同定した。
年齢、性別、BMIおよびWOMACスコア、および大腿骨関節X線学的関節炎ステージ(KLスコア)の危険因子について
論文 参考訳（メタデータ） (2023-05-10T06:43:33Z) - Edema Estimation From Facial Images Taken Before and After Dialysis via
Contrastive Multi-Patient Pre-Training [3.8323580808203785]
浮腫は腎臓病の一般的な症状であり、浮腫の定量的測定が望まれる。
腎不全患者の透析前後の顔画像から浮腫の程度を推定する方法を提案する。
論文 参考訳（メタデータ） (2022-12-15T02:05:12Z) - Assessment of Treatment Effect Estimators for Heavy-Tailed Data [70.72363097550483]
ランダム化制御試験(RCT)における治療効果の客観的評価における中心的な障害は、その性能をテストするための基礎的真理(または検証セット)の欠如である。
この課題に対処するための新しいクロスバリデーションのような方法論を提供する。
本手法は,Amazonサプライチェーンに実装された709RCTに対して評価を行った。
論文 参考訳（メタデータ） (2021-12-14T17:53:01Z) - Bayesian prognostic covariate adjustment [59.75318183140857]
疾患の結果に関する歴史的データは、様々な方法で臨床試験の分析に組み込むことができる。
我々は, 予測モデルからの予後スコアを用いて, 治療効果推定の効率を向上する既存の文献に基づいて構築する。
論文 参考訳（メタデータ） (2020-12-24T05:19:03Z) - Increasing the efficiency of randomized trial estimates via linear
adjustment for a prognostic score [59.75318183140857]
ランダム化実験による因果効果の推定は臨床研究の中心である。
歴史的借用法のほとんどは、厳格なタイプiエラー率制御を犠牲にして分散の削減を達成する。
論文 参考訳（メタデータ） (2020-12-17T21:10:10Z) - UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced
Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。
UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。
非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。
UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文 参考訳（メタデータ） (2020-10-22T02:28:11Z) - Adapting a Kidney Exchange Algorithm to Align with Human Values [59.395925461012126]
腎臓交換における個人プロファイルの重み付けをエンドツーエンドに推定する手法を提案する。
これらの重量を腎臓交換市場浄化アルゴリズムでどのように使うかを示す。
論文 参考訳（メタデータ） (2020-05-19T21:00:29Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。