論文の概要: Near-optimal Individualized Treatment Recommendations
- arxiv url: http://arxiv.org/abs/2004.02772v1
- Date: Mon, 6 Apr 2020 15:59:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-16 05:42:06.061381
- Title: Near-optimal Individualized Treatment Recommendations
- Title(参考訳): 準最適個別治療勧告
- Authors: Haomiao Meng, Ying-Qi Zhao, Haoda Fu, Xingye Qiao
- Abstract要約: 個別治療レコメンデーション(ITR)は、精密医療のための重要な分析フレームワークである。
結果重み付き学習(OWL)フレームワークにおける最適A-ITRを推定する2つの手法を提案する。
これらの手法の整合性を示し、理論的に最適である勧告と推定された提案のリスクの上限を求める。
- 参考スコア(独自算出の注目度): 9.585155938486048
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Individualized treatment recommendation (ITR) is an important analytic
framework for precision medicine. The goal is to assign proper treatments to
patients based on their individual characteristics. From the machine learning
perspective, the solution to an ITR problem can be formulated as a weighted
classification problem to maximize the average benefit that patients receive
from the recommended treatments. Several methods have been proposed for ITR in
both binary and multicategory treatment setups. In practice, one may prefer a
more flexible recommendation with multiple treatment options. This motivates us
to develop methods to obtain a set of near-optimal individualized treatment
recommendations alternative to each other, called alternative individualized
treatment recommendations (A-ITR). We propose two methods to estimate the
optimal A-ITR within the outcome weighted learning (OWL) framework. We show the
consistency of these methods and obtain an upper bound for the risk between the
theoretically optimal recommendation and the estimated one. We also conduct
simulation studies, and apply our methods to a real data set for Type 2
diabetic patients with injectable antidiabetic treatments. These numerical
studies have shown the usefulness of the proposed A-ITR framework. We develop a
R package aitr which can be found at https://github.com/menghaomiao/aitr.
- Abstract(参考訳): 個別治療レコメンデーション(ITR)は、精密医療の重要な分析フレームワークである。
目的は、患者個人の特徴に基づいて適切な治療を行うことである。
機械学習の観点からは、ITR問題に対する解決策を重み付け分類問題として定式化し、推奨治療から患者が受ける平均利益を最大化することができる。
バイナリ処理とマルチカテゴリ処理の両方において、ITRに対していくつかの方法が提案されている。
実際には、複数の治療オプションを持つより柔軟な推奨が好まれる。
これは、代替個別化療法推奨 (a-itr) と呼ばれる、互いに代わりとなる、最適に近い個別化療法推奨群を得る方法を開発する動機付けとなる。
結果重み付き学習(OWL)フレームワークにおける最適A-ITRを推定する2つの手法を提案する。
これらの手法の整合性を示し、理論的に最適である勧告と推定された提案のリスクの上限を求める。
また,本手法を糖尿病患者2例に対する実データセットに適用し,本手法の有効性について検討した。
これらの数値的な研究は、提案したA-ITRフレームワークの有用性を示している。
我々は、https://github.com/menghaomiao/aitr.comで見ることができるRパッケージ aitrを開発した。
関連論文リスト
- The R.O.A.D. to precision medicine [5.877778007271621]
本稿ではランダム化試行データサブグループ解析の欠陥に対処する確率的層間マッチングフレームワークを提案する。
我々は,消化管間質性腫瘍(GIST)の観察データに枠組みを適用し,外部コホートでOPTを検証した。
論文 参考訳(メタデータ) (2023-11-03T03:08:15Z) - Adaptive Semi-Supervised Inference for Optimal Treatment Decisions with
Electronic Medical Record Data [18.77246683875067]
最適な治療体制は、最も全体的な臨床効果が期待されるものとなり、多くの注目を集めている。
半教師付き環境下での電子カルテデータによる最適治療体制の推定について検討する。
論文 参考訳(メタデータ) (2022-03-04T13:54:35Z) - When AUC meets DRO: Optimizing Partial AUC for Deep Learning with
Non-Convex Convergence Guarantee [51.527543027813344]
単方向および二方向部分AUC(pAUC)の系統的および効率的な勾配法を提案する。
一方通行と一方通行の pAUC に対して,2つのアルゴリズムを提案し,それぞれ2つの定式化を最適化するための収束性を証明した。
論文 参考訳(メタデータ) (2022-03-01T01:59:53Z) - Conditional Generation Net for Medication Recommendation [73.09366442098339]
医薬推奨は、患者の診断に従って適切な薬セットを提供することを目標としており、これは診療所において重要な課題である。
医薬品群を生成するための新しいコピー・アンド・予測機構を導入した条件生成ネット(COGNet)を提案する。
提案手法を公開MIMICデータセット上で検証し,実験結果から,提案手法が最先端の手法より優れていることを示す。
論文 参考訳(メタデータ) (2022-02-14T10:16:41Z) - Choosing the Best of Both Worlds: Diverse and Novel Recommendations
through Multi-Objective Reinforcement Learning [68.45370492516531]
本稿では,Recommender Systems (RS) 設定のための拡張多目的強化学習(SMORL)を紹介する。
SMORLエージェントは、標準レコメンデーションモデルを拡張し、RLレイヤーを追加し、3つの主要な目的(正確性、多様性、新しいレコメンデーション)を同時に満たすように強制する。
実世界の2つのデータセットに対する実験結果から,集約的多様性の顕著な増加,精度の適度な向上,レコメンデーションの反復性の低下,および相補的目的としての多様性と新規性の強化の重要性が示された。
論文 参考訳(メタデータ) (2021-10-28T13:22:45Z) - CAPITAL: Optimal Subgroup Identification via Constrained Policy Tree
Search [10.961093227672398]
臨床的に有意義なサブグループ学習アプローチでは、より良い治療の恩恵を受けることができる患者の最大数を特定する必要がある。
選択した患者数を最大化する最適サブグループ選択規則(SSR)を提案する。
解析可能な決定木クラスの中で最適なSSRを求めるために,ConstrAined PolIcy Tree seArch aLgorithmを提案する。
論文 参考訳(メタデータ) (2021-10-11T22:41:07Z) - Learning-based Computer-aided Prescription Model for Parkinson's
Disease: A Data-driven Perspective [61.70045118068213]
我々は、PD患者の症状と、神経科医が提供した処方薬を収集し、データセットを構築した。
そこで我々は、観察された症状と処方薬との関係を学習し、新しいコンピュータ支援処方薬モデルを構築した。
新来の患者に対しては、処方薬モデルにより、観察された症状に対して適切な処方薬を推奨できる(予測)。
論文 参考訳(メタデータ) (2020-07-31T14:34:35Z) - Learning Individualized Treatment Rules with Estimated Translated
Inverse Propensity Score [29.606141542532356]
本稿では、個別化された治療規則(ITR)を学習して治療方針を導出することに焦点を当てる。
本フレームワークでは,ITRの学習を文脈的盗聴問題とみなし,治療方針の予測リスクを最小限に抑える。
長期的目標として、当社の方針は、最終的にはIVおよびVPの治験ガイドラインの改善につながる可能性がある。
論文 参考訳(メタデータ) (2020-07-02T13:13:56Z) - DTR Bandit: Learning to Make Response-Adaptive Decisions With Low Regret [59.81290762273153]
動的治療体制 (DTR) はパーソナライズされ適応された多段階の治療計画であり、治療決定を個人の初期特徴に適応させ、その後の各段階における中間結果と特徴に適応させる。
本稿では,探索と搾取を慎重にバランスさせることで,遷移モデルと報酬モデルが線形である場合に,速度-最適後悔を実現する新しいアルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-05-06T13:03:42Z) - Comment: Entropy Learning for Dynamic Treatment Regimes [58.442274475425144]
JSLZのアプローチは、逆確率(IPW)に基づく与えられた決定規則の値の拒絶とサンプリングの見積もりと、その解釈を重み付けされた(またはコストに敏感な)分類として利用する。
彼らのスムーズな分類サロゲートの使用は、分布の分析に慎重なアプローチを可能にする。
IPWの推定は、ほとんどのデータを捨てる重みにつながり、残余については非常に変動しているため、問題となる。
論文 参考訳(メタデータ) (2020-04-06T16:11:05Z) - Multicategory Angle-based Learning for Estimating Optimal Dynamic
Treatment Regimes with Censored Data [12.499787110182632]
最適な治療体制(DTR)は、長期的な利益を最大化するための一連の決定規則から構成される。
本稿では,マルチカテゴリ処理フレームワークを用いて,最適DTRをターゲットとした新しい角度ベースアプローチを提案する。
本稿では,条件付き生存関数の最大化の観点から,提案手法が競合手法より優れていることを示す。
論文 参考訳(メタデータ) (2020-01-14T05:19:15Z)
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。