論文の概要: Estimating Individual Treatment Effects with Time-Varying Confounders
- arxiv url: http://arxiv.org/abs/2008.13620v2
- Date: Tue, 15 Dec 2020 16:34:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-24 08:38:48.245014
- Title: Estimating Individual Treatment Effects with Time-Varying Confounders
- Title（参考訳）: 経時的共同創設者による個別治療効果の推定
- Authors: Ruoqi Liu, Changchang Yin, Ping Zhang
- Abstract要約: 医療において、観察データから個別治療効果(ITE)を推定することは意義があり実用的である。
既存の作業は主に、隠れた共同設立者が存在しないという強い無知の仮定に依存している。
時系列重み付け (DSW) を用いて, ITE の時間変化を推定する手法を提案する。
- 参考スコア（独自算出の注目度）: 9.784193264717098
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Estimating the individual treatment effect (ITE) from observational data is
meaningful and practical in healthcare. Existing work mainly relies on the
strong ignorability assumption that no hidden confounders exist, which may lead
to bias in estimating causal effects. Some studies consider the hidden
confounders are designed for static environment and not easily adaptable to a
dynamic setting. In fact, most observational data (e.g., electronic medical
records) is naturally dynamic and consists of sequential information. In this
paper, we propose Deep Sequential Weighting (DSW) for estimating ITE with
time-varying confounders. Specifically, DSW infers the hidden confounders by
incorporating the current treatment assignments and historical information
using a deep recurrent weighting neural network. The learned representations of
hidden confounders combined with current observed data are leveraged for
potential outcome and treatment predictions. We compute the time-varying
inverse probabilities of treatment for re-weighting the population. We conduct
comprehensive comparison experiments on fully-synthetic, semi-synthetic and
real-world datasets to evaluate the performance of our model and baselines.
Results demonstrate that our model can generate unbiased and accurate treatment
effect by conditioning both time-varying observed and hidden confounders,
paving the way for personalized medicine.
- Abstract（参考訳）: 医療において、観察データから個別治療効果(ITE)を推定することは意義があり実用的である。
既存の作業は主に、隠れた共同設立者が存在しないという強い無知の仮定に依存しており、因果効果を推定するバイアスにつながる可能性がある。
隠れた共同設立者は静的環境のために設計されており、動的環境に容易に適応できないと考える研究もある。
実際、ほとんどの観測データ(例えば電子医療記録)は自然に動的であり、シーケンシャルな情報で構成されている。
本稿では,時間変化のある共同設立者とITEを推定するための深度重み付け(DSW)を提案する。
具体的には、dswは、ディープリカレント重み付けニューラルネットワークを用いて、現在の治療課題と過去の情報を組み込むことで、隠れた共同創設者を推測する。
隠れた共同設立者の学習された表現と現在の観測データの組み合わせは、潜在的な結果と治療予測に活用される。
人口再重み付けのための治療の時間変化の逆確率を計算する。
我々は、モデルとベースラインの性能を評価するために、完全合成、半合成、実世界のデータセットに関する包括的な比較実験を行う。
以上の結果から, 当モデルでは, 経過観察者と隠れた共同設立者の両方を条件づけることで, 偏りなく正確な治療効果が得られ, パーソナライズ医療への道を開くことができた。
関連論文リスト
- Estimating Individual Dose-Response Curves under Unobserved Confounders from Observational Data [6.166869525631879]
本稿では,連続治療の因果効果を推定するための新しいフレームワークであるContiVAEについて述べる。
ContiVAEは既存の手法を最大62%上回り、その堅牢性と柔軟性を示す。
論文 参考訳（メタデータ） (2024-10-21T07:24:26Z) - Inverse Probability of Treatment Weighting with Deep Sequence Models Enables Accurate treatment effect Estimation from Electronic Health Records [1.1824562114990471]
治療重み付けの逆確率 (IPTW) は広く用いられている確率スコア法である。
我々は,IMTWを用いて,クレームレコードを用いた時間依存コンバウンディングの存在下での処理効果を推定することを提案する。
ディープシークエンスモデルは、様々な下流タスクのためのEHRのモデリングにおいて優れた性能を示している。
論文 参考訳（メタデータ） (2024-06-13T06:29:16Z) - COSTAR: Improved Temporal Counterfactual Estimation with Self-Supervised
Learning [35.119957381211236]
我々は,歴史表現を改善するために自己教師付き学習を統合する新しいアプローチであるCOSTAR(Counterfactual Self-Supervised Transformer)を紹介する。
COSTARは、既存のモデルと比較して、推定精度と分布外データへの一般化において優れた性能が得られる。
論文 参考訳（メタデータ） (2023-11-01T22:38:14Z) - Variational Temporal Deconfounder for Individualized Treatment Effect
Estimation from Longitudinal Observational Data [8.347630187110004]
経年的観察データから治療効果を推定するための既存のアプローチは、通常「不整合性」という強い仮定に基づいて構築される。
本稿では, プロキシを用いた縦方向設定における深部変分埋め込みを応用した変分時間デコノミー(VTD)を提案する。
我々は,本手法を人工的および実世界の臨床データの両方で検証し,本手法が他の既存モデルと比較して有意な偏りを隠蔽する場合に有効であることを示した。
論文 参考訳（メタデータ） (2022-07-23T16:43:12Z) - 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) - 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) - 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) - Provably Efficient Causal Reinforcement Learning with Confounded
Observational Data [135.64775986546505]
オフラインで収集されたデータセット(観測データ)を組み込んで、オンライン環境でのサンプル効率を改善する方法について検討する。
提案手法は,観測データを効率よく組み込んだ,分解された楽観的値反復 (DOVI) アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-06-22T14:49:33Z) - 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) - Learning Decomposed Representation for Counterfactual Inference [53.36586760485262]
観察データから治療効果を推定する際の根本的な問題は、共同設立者の識別とバランスである。
これまでの方法の多くは、観察されたすべての事前処理変数を共同創設者として扱い、共同創設者と非共同創設者の識別をさらに無視することで、共同ファウンダーのバランスを実現していた。
本研究では,1)共同創設者と非共同創設者の両方の表現を学習することで共同創設者を同定し,2)再重み付け手法のバランスをとるとともに,同時に,反実的推論による観察研究における治療効果を推定する相乗的学習フレームワークを提案する。
論文 参考訳（メタデータ） (2020-06-12T09:50:42Z)
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。