論文の概要: Estimating heterogeneous survival treatment effect in observational data
using machine learning
- arxiv url: http://arxiv.org/abs/2008.07044v4
- Date: Wed, 19 May 2021 15:54:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-28 04:09:24.795625
- Title: Estimating heterogeneous survival treatment effect in observational data
using machine learning
- Title(参考訳): 機械学習を用いた観測データにおける不均一生存治療効果の推定
- Authors: Liangyuan Hu, Jiayi Ji, Fan Li
- Abstract要約: 観測データにおける不均一な処理効果を推定する方法は, 連続的あるいは二分的な結果に大きく焦点を絞っている。
対物的フレームワークで柔軟な機械学習手法を使用することは、複雑な個人特性による課題に対処するための有望なアプローチである。
- 参考スコア(独自算出の注目度): 9.951103976634407
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Methods for estimating heterogeneous treatment effect in observational data
have largely focused on continuous or binary outcomes, and have been relatively
less vetted with survival outcomes. Using flexible machine learning methods in
the counterfactual framework is a promising approach to address challenges due
to complex individual characteristics, to which treatments need to be tailored.
To evaluate the operating characteristics of recent survival machine learning
methods for the estimation of treatment effect heterogeneity and inform better
practice, we carry out a comprehensive simulation study presenting a wide range
of settings describing confounded heterogeneous survival treatment effects and
varying degrees of covariate overlap. Our results suggest that the
nonparametric Bayesian Additive Regression Trees within the framework of
accelerated failure time model (AFT-BART-NP) consistently yields the best
performance, in terms of bias, precision and expected regret. Moreover, the
credible interval estimators from AFT-BART-NP provide close to nominal
frequentist coverage for the individual survival treatment effect when the
covariate overlap is at least moderate. Including a non-parametrically
estimated propensity score as an additional fixed covariate in the AFT-BART-NP
model formulation can further improve its efficiency and frequentist coverage.
Finally, we demonstrate the application of flexible causal machine learning
estimators through a comprehensive case study examining the heterogeneous
survival effects of two radiotherapy approaches for localized high-risk
prostate cancer.
- Abstract(参考訳): 観察データにおける不均一な治療効果を推定する方法は、主に連続的または二分的な結果に焦点を合わせており、生存結果に対する検証は比較的少ない。
対物的フレームワークで柔軟な機械学習手法を使用することは、複雑な個々の特性による課題に対処する上で有望なアプローチである。
治療効果の不均一性評価のための最近の生存機械学習手法の動作特性を評価するため, 統合された不均一な生存治療効果と各種の共変量重なりを記述した広範囲な設定について, 総合的なシミュレーション研究を行った。
以上の結果から,AFT-BART-NPのフレームワーク内の非パラメトリックベイズ付加回帰木は,バイアス,精度,期待される後悔の点において,常に最高の性能が得られることが示唆された。
さらに、AFT-BART-NPの信頼区間推定器は、共変量重なりが少なくとも適度である場合に、個々の生存治療効果に対して、名目上の頻繁なカバレッジを提供する。
AFT-BART-NPモデルの定式化では、非パラメトリック推定確率スコアを追加の固定共変量として含めることで、その効率と頻繁なカバレッジをさらに向上させることができる。
最後に, 局所性高リスク前立腺癌に対する2種類の放射線療法の生存効果を総合的に検討し, 柔軟な因果機械学習推定装置の適用を実証した。
関連論文リスト
- Individualized Multi-Treatment Response Curves Estimation using RBF-net with Shared Neurons [1.1119247609126184]
反応曲線の非パラメトリックモデリングは、共有された隠れニューロンを持つ放射基底関数(RBF)-ネットに依存している。
本手法をMIMICデータに適用し, 在宅中絶患者に対するICU滞在時間と12時間SOFAスコアに対する異なる治療方法の効果に関する興味深い知見を得た。
論文 参考訳(メタデータ) (2024-01-29T21:13:01Z) - B-Learner: Quasi-Oracle Bounds on Heterogeneous Causal Effects Under
Hidden Confounding [51.74479522965712]
本稿では,B-Learnerと呼ばれるメタラーナーを提案する。
我々は、その推定が有効で、鋭く、効率的であることを証明し、既存の方法よりも一般的な条件下で構成推定器に対して準オーラル特性を持つことを示した。
論文 参考訳(メタデータ) (2023-04-20T18:07:19Z) - Proximal Causal Learning of Conditional Average Treatment Effects [0.0]
異種治療効果を学習するための2段階損失関数を提案する。
提案手法は,市販の損失最小化機械学習手法により実装できる。
論文 参考訳(メタデータ) (2023-01-26T02:56:36Z) - Efficient and robust transfer learning of optimal individualized
treatment regimes with right-censored survival data [7.308241944759317]
個別治療体制(英: individualized treatment regime、ITR)は、患者の特徴に基づいて治療を割り当てる決定規則である。
本稿では、値関数の2倍頑健な推定器を提案し、その最適ITRは、予め指定されたIRRのクラス内の値関数を最大化することにより学習する。
重篤なメタボリックアシダ血症に対するバイカーボネートナトリウム療法のシミュレーションおよび実データによる評価を行った。
論文 参考訳(メタデータ) (2023-01-13T11:47:10Z) - 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) - BITES: Balanced Individual Treatment Effect for Survival data [0.0]
患者予後に対する介入の効果を推定することは、パーソナライズされた医療の重要な側面の1つである。
時間から時間までのデータは、治療最適化にはほとんど使われない。
我々は、治療特異的な半パラメトリックコックス損失と治療バランスの深いディープニューラルネットワークを組み合わせたBITESというアプローチを提案する。
論文 参考訳(メタデータ) (2022-01-05T10:39:31Z) - 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) - SurvITE: Learning Heterogeneous Treatment Effects from Time-to-Event
Data [83.50281440043241]
時系列データから不均一な処理効果を推定する問題について検討する。
本稿では,バランス表現に基づく治療特異的ハザード推定のための新しいディープラーニング手法を提案する。
論文 参考訳(メタデータ) (2021-10-26T20:13:17Z) - Bootstrapping Your Own Positive Sample: Contrastive Learning With
Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。
EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。
私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文 参考訳(メタデータ) (2021-04-07T06:02:04Z) - Enabling Counterfactual Survival Analysis with Balanced Representations [64.17342727357618]
生存データは様々な医学的応用、すなわち薬物開発、リスクプロファイリング、臨床試験で頻繁に見られる。
本稿では,生存結果に適用可能な対実的推論のための理論的基盤を持つ統一的枠組みを提案する。
論文 参考訳(メタデータ) (2020-06-14T01:15:00Z)
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。