論文の概要: Estimation of causal effects of multiple treatments in healthcare
database studies with rare outcomes
- arxiv url: http://arxiv.org/abs/2008.07687v2
- Date: Sat, 3 Oct 2020 03:25:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-27 22:05:48.762962
- Title: Estimation of causal effects of multiple treatments in healthcare
database studies with rare outcomes
- Title（参考訳）: 稀な結果を伴う医療データベース研究における複数治療の因果効果の推定
- Authors: Liangyuan Hu, Chenyang Gu
- Abstract要約: 複数の治療と稀な結果を伴う因果推論は、文献に散発的に扱われる主題である。
本稿では、医療データベース研究の構造を表す3つのシミュレーションセットを設計し、そのような設定に対する因果解析戦略を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The preponderance of large-scale healthcare databases provide abundant
opportunities for comparative effectiveness research. Evidence necessary to
making informed treatment decisions often relies on comparing effectiveness of
multiple treatment options on outcomes of interest observed in a small number
of individuals. Causal inference with multiple treatments and rare outcomes is
a subject that has been treated sparingly in the literature. This paper designs
three sets of simulations, representative of the structure of our healthcare
database study, and propose causal analysis strategies for such settings. We
investigate and compare the operating characteristics of three types of methods
and their variants: Bayesian Additive Regression Trees (BART), regression
adjustment on multivariate spline of generalized propensity scores (RAMS) and
inverse probability of treatment weighting (IPTW) with multinomial logistic
regression or generalized boosted models. Our results suggest that BART and
RAMS provide lower bias and mean squared error, and the widely used IPTW
methods deliver unfavorable operating characteristics. We illustrate the
methods using a case study evaluating the comparative effectiveness of
robotic-assisted surgery, video-assisted thoracoscopic surgery and open
thoracotomy for treating non-small cell lung cancer.
- Abstract（参考訳）: 大規模医療データベースの優位性は、比較効果研究に十分な機会をもたらす。
情報的治療決定に必要な証拠は、少数の個人で観察された関心の結果に対する複数の治療オプションの有効性の比較にしばしば依存する。
複数の治療と稀な結果を伴う因果推論は、文献に散発的に扱われる主題である。
本稿では,我々の医療データベース研究の構造を代表する3つのシミュレーションセットをデザインし,その構成に因果分析戦略を提案する。
ベイズ加法回帰木 (bart) , 一般化プロペンサリティスコア (rams) の多変量スプラインの回帰調整, 多項ロジスティック回帰あるいは一般化ブーストモデルを用いた治療重み付けの逆確率 (iptw) の3種類の手法の動作特性を比較検討した。
以上の結果から,bartとramはバイアスと平均二乗誤差を低減し,広く用いられているiptw手法は好ましくない動作特性をもたらすことが示唆された。
本研究は,非小細胞肺癌に対するロボット外科手術,胸腔鏡下手術,開胸手術の比較検討を行った。
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) - The Blessings of Multiple Treatments and Outcomes in Treatment Effect
Estimation [53.81860494566915]
既存の研究では、プロキシ変数や複数の処理を利用してバイアスを補正している。
多くの実世界のシナリオでは、複数の結果に対する影響を研究することにより大きな関心がある。
この設定に関わる複数の結果の並列研究は、因果同定において互いに助け合うことが示されている。
論文 参考訳（メタデータ） (2023-09-29T14:33:48Z) - Comparison of Methods that Combine Multiple Randomized Trials to
Estimate Heterogeneous Treatment Effects [0.1398098625978622]
複数のランダム化制御試験を活用することで、データセットと未確立の処理割り当ての組み合わせが可能になる。
本稿では,複数試行データを用いて不均一な治療効果を推定するための非パラメトリックなアプローチについて述べる。
論文 参考訳（メタデータ） (2023-03-28T20:43:00Z) - 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) - Benchmarking Heterogeneous Treatment Effect Models through the Lens of
Interpretability [82.29775890542967]
治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。
ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。
我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
論文 参考訳（メタデータ） (2022-06-16T17:59:05Z) - Combining Doubly Robust Methods and Machine Learning for Estimating
Average Treatment Effects for Observational Real-world Data [3.487090989628347]
機械学習が2倍の頑健な推定器の性能向上にどのように役立つかを示す。
二重頑健な推定器の応用方法についてのガイダンスを提供する。
論文 参考訳（メタデータ） (2022-04-23T01:26:11Z) - 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) - On Inductive Biases for Heterogeneous Treatment Effect Estimation [91.3755431537592]
我々は、異なる治療下で、個人の潜在的成果(PO)の構造的類似性を利用する方法について検討する。
この問題を克服するために、エンドツーエンドの学習戦略を3つ比較する。
論文 参考訳（メタデータ） (2021-06-07T16:30:46Z) - A standardized framework for risk-based assessment of treatment effect
heterogeneity in observational healthcare databases [60.07352590494571]
本研究の目的は,この手法を標準化されたスケーラブルなフレームワークを用いて観測環境に拡張することであった。
アンジオテンシン変換酵素阻害薬(ACE)とβ阻害薬の3つの効果と6つの安全性に対する効果を評価することにより,我々の枠組みを実証する。
論文 参考訳（メタデータ） (2020-10-13T14:48:31Z) - Estimating heterogeneous survival treatment effect in observational data
using machine learning [9.951103976634407]
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。
論文 参考訳（メタデータ） (2020-08-17T01:02:14Z)
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。