論文の概要: Estimating Counterfactual Treatment Outcomes over Time Through Adversarially Balanced Representations

• arxiv url: http://arxiv.org/abs/2002.04083v1
• Date: Mon, 10 Feb 2020 20:47:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-02 08:10:40.668373
• Title: Estimating Counterfactual Treatment Outcomes over Time Through Adversarially Balanced Representations
• Title（参考訳）: 逆平衡表現による時間的対実的処理結果の推定
• Authors: Ioana Bica, Ahmed M. Alaa, James Jordon, Mihaela van der Schaar
• Abstract要約: 時間とともに治療効果を推定するためにCRN(Counterfactual Recurrent Network)を導入する。 CRNは、患者履歴のバランスの取れた表現を構築するために、ドメイン敵のトレーニングを使用する。 本モデルでは, 正解率の予測と適切な治療時期の選択において, 誤差の低減を図っている。
• 参考スコア（独自算出の注目度）: 114.16762407465427
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Identifying when to give treatments to patients and how to select among multiple treatments over time are important medical problems with a few existing solutions. In this paper, we introduce the Counterfactual Recurrent Network (CRN), a novel sequence-to-sequence model that leverages the increasingly available patient observational data to estimate treatment effects over time and answer such medical questions. To handle the bias from time-varying confounders, covariates affecting the treatment assignment policy in the observational data, CRN uses domain adversarial training to build balancing representations of the patient history. At each timestep, CRN constructs a treatment invariant representation which removes the association between patient history and treatment assignments and thus can be reliably used for making counterfactual predictions. On a simulated model of tumour growth, with varying degree of time-dependent confounding, we show how our model achieves lower error in estimating counterfactuals and in choosing the correct treatment and timing of treatment than current state-of-the-art methods.
• Abstract（参考訳）: 患者にいつ治療を施すか、どのように複数の治療法を選択するかを特定することは、いくつかの既存のソリューションで重要な医療問題である。 本稿では,患者観察データを活用し,治療効果を経時的に推定し,そのような問いに答える新しいシーケンス・ツー・シーケンスモデルであるreturnfactual recurrent network (crn)を提案する。 観察データにおける治療割当方針に影響を与えるコバリアリートである時変共同設立者のバイアスに対処するために、crnは患者履歴のバランスをとるためにドメイン敵訓練を使用する。 それぞれの時間ステップにおいて、crnは患者の履歴と治療課題との関係を取り除き、偽りの予測に確実に使用できる治療不変表現を構築する。 腫瘍増殖のシミュレーションモデルにおいて, 時間依存的コンファウンディングの程度が異なっており, 本モデルが偽物推定における誤差を低くし, 治療タイミングや治療方法の選択を現在の方法よりも容易に行えることを示す。

関連論文リスト

• Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
  そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。 また,死亡率と臓器不全の関連性について有意な知見が得られた。
  論文  参考訳（メタデータ） (2024-07-28T02:42:36Z)
• Time-dependent Probabilistic Generative Models for Disease Progression [0.0]
  医療イベント間の不規則な時間間隔をモデル化するためのマルコフ的治療生成モデルを提案する。 予測最大化アルゴリズムを用いてモデルを学習し,動的プログラミング法を用いて効率よく解法する。
  論文  参考訳（メタデータ） (2023-11-15T21:00:00Z)
• TCFimt: Temporal Counterfactual Forecasting from Individual Multiple Treatment Perspective [50.675845725806724]
  個別多面的治療の観点からの時間的対実予測の包括的枠組み(TCFimt)を提案する。 TCFimtは、選択と時間変化バイアスを軽減するためにSeq2seqフレームワークの逆タスクを構築し、比較学習ベースのブロックを設計し、混合処理効果を分離した主治療効果と因果相互作用に分解する。 提案手法は, 特定の治療法による今後の結果予測と, 最先端手法よりも最適な治療タイプとタイミングを選択する上で, 良好な性能を示す。
  論文  参考訳（メタデータ） (2022-12-17T15:01:05Z)
• DRTCI: Learning Disentangled Representations for Temporal Causal Inference [24.348119894665054]
  時間によって異なる共同創設者は、将来の治療課題と患者の結果の両方に影響を及ぼす。 最近提案されたCounterfactual Recurrent Networkは、患者データの履歴表現のバランスをとるために、相手のトレーニングを使用することによって、様々な共同設立者について説明している。
  論文  参考訳（メタデータ） (2022-01-20T12:31:04Z)
• Disentangled Counterfactual Recurrent Networks for Treatment Effect Inference over Time [71.30985926640659]
  本稿では,DCRN(Disentangled Counterfactual Recurrent Network)を提案する。 時間とともに治療効果の因果構造に完全にインスパイアされたアーキテクチャでは、予測精度と疾患理解が向上する。 実データとシミュレーションデータの両方において,DCRNが処理応答予測の最先端手法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-12-07T16:40:28Z)
• Sequential Deconfounding for Causal Inference with Unobserved Confounders [18.586616164230566]
  個別化治療効果を時間とともに推定する手法であるSequential Deconfounderを開発した。 これは、一般的なシーケンシャルな設定で使用できる最初の分解方法である。 本手法は, 経時的に個々の治療反応を偏りなく推定できることを実証する。
  論文  参考訳（メタデータ） (2021-04-16T09:56:39Z)
• DeepRite: Deep Recurrent Inverse TreatmEnt Weighting for Adjusting Time-varying Confounding in Modern Longitudinal Observational Data [68.29870617697532]
  時系列データにおける時間変化の相違に対するDeep Recurrent Inverse TreatmEnt重み付け(DeepRite)を提案する。 DeepRiteは、合成データから基底的真理を復元し、実際のデータから偏りのない処理効果を推定する。
  論文  参考訳（メタデータ） (2020-10-28T15:05:08Z)
• MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
  本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。 我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。 我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
  論文  参考訳（メタデータ） (2020-10-08T15:30:17Z)

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。