論文の概要: DeepRite: Deep Recurrent Inverse TreatmEnt Weighting for Adjusting
Time-varying Confounding in Modern Longitudinal Observational Data
- arxiv url: http://arxiv.org/abs/2010.15028v1
- Date: Wed, 28 Oct 2020 15:05:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-02 05:47:08.083071
- Title: DeepRite: Deep Recurrent Inverse TreatmEnt Weighting for Adjusting
Time-varying Confounding in Modern Longitudinal Observational Data
- Title（参考訳）: DeepRite: 現代の縦断観測データにおける時間変化コンバウンディング調整のための逆処理量重み付け
- Authors: Yanbo Xu, Cao Xiao, Jimeng Sun
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 68.29870617697532
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Counterfactual prediction is about predicting outcome of the unobserved
situation from the data. For example, given patient is on drug A, what would be
the outcome if she switch to drug B. Most of existing works focus on modeling
counterfactual outcome based on static data. However, many applications have
time-varying confounding effects such as multiple treatments over time. How to
model such time-varying effects from longitudinal observational data? How to
model complex high-dimensional dependency in the data? To address these
challenges, we propose Deep Recurrent Inverse TreatmEnt weighting (DeepRite) by
incorporating recurrent neural networks into two-phase adjustments for the
existence of time-varying confounding in modern longitudinal data. In phase I
cohort reweighting we fit one network for emitting time dependent inverse
probabilities of treatment, use them to generate a pseudo balanced cohort. In
phase II outcome progression, we input the adjusted data to the subsequent
predictive network for making counterfactual predictions. We evaluate DeepRite
on both synthetic data and a real data collected from sepsis patients in the
intensive care units. DeepRite is shown to recover the ground truth from
synthetic data, and estimate unbiased treatment effects from real data that can
be better aligned with the standard guidelines for management of sepsis thanks
to its applicability to create balanced cohorts.
- Abstract（参考訳）: 事実予測とは、観測されていない状況の結果をデータから予測することである。
例えば、ある患者が薬物Aである場合、彼女が薬物Bに切り替えたらどうなるか。
しかし、多くの応用は時間とともに複数の治療のような時間的変動を伴う効果を持つ。
縦断観測データから時間変動効果をモデル化する方法
データの複雑な高次元依存をモデル化する方法?
そこで本研究では,2相の調整に再帰ニューラルネットワークを組み込むことにより,最近の縦断データに時間変動が組み合わさった場合の重み付け(deeprite)を提案する。
第i相コホート再重み付けでは、時間に依存する治療の逆確率を放出するために1つのネットワークに適合し、それらを使用して擬似バランスコホートを生成する。
フェーズIIの結果の進行では、修正されたデータをその後の予測ネットワークに入力し、偽の予測を行う。
集中治療室の敗血症患者から収集した合成データと実データからDeepRiteを評価した。
DeepRiteは、合成データから基礎的な真実を回復し、バランスの取れたコホートを作成できるため、敗血症管理の標準ガイドラインに適合し得る、実際のデータから偏りのない治療効果を推定する。
関連論文リスト
- SeqRisk: Transformer-augmented latent variable model for improved survival prediction with longitudinal data [4.1476925904032464]
本研究では,変分オートエンコーダ (VAE) と長手VAE (LVAE) をトランスフォーマーエンコーダとコックス比例ハザードモジュールに結合してリスク予測を行う手法であるSeqRiskを提案する。
SeqRiskは、シミュレーションと実世界の両方のデータセットにおける既存のアプローチと比較して、競合的に機能することを示した。
論文 参考訳（メタデータ） (2024-09-19T12:35:25Z) - Data Attribution for Diffusion Models: Timestep-induced Bias in Influence Estimation [53.27596811146316]
拡散モデルは、以前の文脈における瞬間的な入出力関係ではなく、一連のタイムステップで操作する。
本稿では、この時間的ダイナミクスを取り入れた拡散トラクInについて、サンプルの損失勾配ノルムが時間ステップに大きく依存していることを確認する。
そこで我々はDiffusion-ReTracを再正規化適応として導入し、興味のあるサンプルを対象にしたトレーニングサンプルの検索を可能にする。
論文 参考訳（メタデータ） (2024-01-17T07:58:18Z) - MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data
Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。
トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。
ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文 参考訳（メタデータ） (2023-10-04T01:36:30Z) - 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) - Continuous-Time Modeling of Counterfactual Outcomes Using Neural
Controlled Differential Equations [84.42837346400151]
反現実的な結果を予測することは、パーソナライズされたヘルスケアをアンロックする可能性がある。
既存の因果推論アプローチでは、観察と治療決定の間の通常の離散時間間隔が考慮されている。
そこで本研究では,腫瘍増殖モデルに基づく制御可能なシミュレーション環境を提案する。
論文 参考訳（メタデータ） (2022-06-16T17:15:15Z) - Deep Bayesian Estimation for Dynamic Treatment Regimes with a Long
Follow-up Time [28.11470886127216]
動的治療体制(DTR)の因果効果推定は、シーケンシャルな意思決定に寄与する。
結果回帰モデルと高次元特徴に対する治療モデルを組み合わせる。
また、開発されたディープベイズモデルでは、不確実性をモデル化し、自動運転車や医療設計など、安全に配慮したアプリケーションに不可欠な予測分散を出力することができる。
論文 参考訳（メタデータ） (2021-09-20T13:21:39Z) - CDSM -- Casual Inference using Deep Bayesian Dynamic Survival Models [3.9169188005935927]
我々はベイジアン・リカレント・サブネットワークを用いた潜在的結果フレームワークを用いて生存曲線の差を推定する因果的動的生存モデル(CDSM)を開発した。
シミュレーションされたサバイバルデータセットを使用して、CDSMはサンプル寸法、イベントレート、結束および重複のシナリオにわたる良好な因果効果推定性能を示した。
論文 参考訳（メタデータ） (2021-01-26T09:15:49Z) - Estimating Individual Treatment Effects with Time-Varying Confounders [9.784193264717098]
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。
論文 参考訳（メタデータ） (2020-08-27T02:21:56Z) - 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) - Estimating Counterfactual Treatment Outcomes over Time Through
Adversarially Balanced Representations [114.16762407465427]
時間とともに治療効果を推定するためにCRN(Counterfactual Recurrent Network)を導入する。
CRNは、患者履歴のバランスの取れた表現を構築するために、ドメイン敵のトレーニングを使用する。
本モデルでは, 正解率の予測と適切な治療時期の選択において, 誤差の低減を図っている。
論文 参考訳（メタデータ） (2020-02-10T20:47:36Z)
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。