論文の概要: Learning Individualized Treatment Rules with Estimated Translated
Inverse Propensity Score
- arxiv url: http://arxiv.org/abs/2007.01083v1
- Date: Thu, 2 Jul 2020 13:13:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-14 13:26:22.778345
- Title: Learning Individualized Treatment Rules with Estimated Translated
Inverse Propensity Score
- Title（参考訳）: 推定逆傾向スコアを用いた個別化治療ルールの学習
- Authors: Zhiliang Wu, Yinchong Yang, Yunpu Ma, Yushan Liu, Rui Zhao, Michael
Moor, Volker Tresp
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 29.606141542532356
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Randomized controlled trials typically analyze the effectiveness of
treatments with the goal of making treatment recommendations for patient
subgroups. With the advance of electronic health records, a great variety of
data has been collected in clinical practice, enabling the evaluation of
treatments and treatment policies based on observational data. In this paper,
we focus on learning individualized treatment rules (ITRs) to derive a
treatment policy that is expected to generate a better outcome for an
individual patient. In our framework, we cast ITRs learning as a contextual
bandit problem and minimize the expected risk of the treatment policy. We
conduct experiments with the proposed framework both in a simulation study and
based on a real-world dataset. In the latter case, we apply our proposed method
to learn the optimal ITRs for the administration of intravenous (IV) fluids and
vasopressors (VP). Based on various offline evaluation methods, we could show
that the policy derived in our framework demonstrates better performance
compared to both the physicians and other baselines, including a simple
treatment prediction approach. As a long-term goal, our derived policy might
eventually lead to better clinical guidelines for the administration of IV and
VP.
- Abstract（参考訳）: ランダム化対照試験は、通常、患者サブグループに対する治療勧告を作成することを目的として、治療の有効性を分析する。
電子健康記録の進歩に伴い,臨床実践において多種多様なデータが収集され,観察データに基づく治療・治療方針の評価が可能となった。
本稿では,個別治療規則(ITR)の学習に焦点をあて,個々の患者により良い結果をもたらすと期待される治療方針を導出する。
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。
シミュレーション研究と実世界のデータセットに基づいて,提案フレームワークを用いて実験を行う。
後者の場合, 静脈内 (IV) 液と血管圧薬 (VP) の投与に最適なITRを学習するために提案法を適用した。
様々なオフライン評価手法に基づいて,本フレームワークから導出されたポリシーは,簡単な治療予測手法を含む,医師や他のベースラインと比較して優れた性能を示すことを示すことができる。
長期的目標として,本方針は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。
関連論文リスト
- Stage-Aware Learning for Dynamic Treatments [3.6923632650826486]
動的治療体制のための新しい個別化学習法を提案する。
観測軌道が最適処理と完全に一致しなければならないという制約を緩和することにより,本手法はIPWE法における試料効率と安定性を大幅に改善する。
論文 参考訳（メタデータ） (2023-10-30T06:35:31Z) - Safe and Interpretable Estimation of Optimal Treatment Regimes [54.257304443780434]
我々は、最適な治療体制を特定するための安全かつ解釈可能な枠組みを運用する。
本研究は患者の医療歴と薬理学的特徴に基づくパーソナライズされた治療戦略を支援する。
論文 参考訳（メタデータ） (2023-10-23T19:59:10Z) - Improved Policy Evaluation for Randomized Trials of Algorithmic Resource
Allocation [54.72195809248172]
提案する新しい概念を応用した新しい推定器を提案する。
我々は,このような推定器が,サンプル手段に基づく一般的な推定器よりも精度が高いことを理論的に証明した。
論文 参考訳（メタデータ） (2023-02-06T05:17:22Z) - 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) - Clinical Outcome Prediction from Admission Notes using Self-Supervised
Knowledge Integration [55.88616573143478]
臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。
退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。
複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
論文 参考訳（メタデータ） (2021-02-08T10:26:44Z) - 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) - Treatment Policy Learning in Multiobjective Settings with Fully Observed
Outcomes [6.944742823560999]
個別化された治療方針を学習するための3つのアプローチを提示し、比較し、評価する。
我々は,全てのアプローチが臨床医よりも厳格に優れた成績を得られる政策を学習していることを示す。
論文 参考訳（メタデータ） (2020-06-01T13:22:51Z) - 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) - Near-optimal Individualized Treatment Recommendations [9.585155938486048]
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。
論文 参考訳（メタデータ） (2020-04-06T15:59:33Z) - Optimizing Medical Treatment for Sepsis in Intensive Care: from
Reinforcement Learning to Pre-Trial Evaluation [2.908482270923597]
本研究の目的は, 介入を最適化する強化学習(RL)が, 学習方針の治験に対する規制に適合する経路を遡及的に得る枠組みを確立することである。
我々は,死の主な原因の一つであり,複雑で不透明な患者動態のため治療が困難である集中治療室の感染症に焦点を当てた。
論文 参考訳（メタデータ） (2020-03-13T20:31:47Z) - Generalization Bounds and Representation Learning for Estimation of
Potential Outcomes and Causal Effects [61.03579766573421]
代替薬に対する患者一人の反応など,個人レベルの因果効果の推定について検討した。
我々は,表現の誘導的処理群距離を正規化することにより,境界を最小化する表現学習アルゴリズムを考案した。
これらのアルゴリズムを拡張して、重み付き表現を同時に学習し、治療群距離をさらに削減する。
論文 参考訳（メタデータ） (2020-01-21T10:16:33Z)
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。