論文の概要: Representation Learning for Integrating Multi-domain Outcomes to
Optimize Individualized Treatments
- arxiv url: http://arxiv.org/abs/2011.00094v1
- Date: Fri, 30 Oct 2020 20:30:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-01 16:17:27.228613
- Title: Representation Learning for Integrating Multi-domain Outcomes to
Optimize Individualized Treatments
- Title（参考訳）: 個別化治療を最適化するマルチドメイン成果の統合のための表現学習
- Authors: Yuan Chen, Donglin Zeng, Tianchen Xu, Yuanjia Wang
- Abstract要約: 精神疾患の場合、患者の基礎となる精神状態は、観察された測定結果から推測されなければならない、保存されていない潜在的構成物である。
本稿では,患者の精神状態を同時に学習し,各個人に対して最適な治療を推奨する統合学習フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 6.505217121471555
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: For mental disorders, patients' underlying mental states are non-observed
latent constructs which have to be inferred from observed multi-domain
measurements such as diagnostic symptoms and patient functioning scores.
Additionally, substantial heterogeneity in the disease diagnosis between
patients needs to be addressed for optimizing individualized treatment policy
in order to achieve precision medicine. To address these challenges, we propose
an integrated learning framework that can simultaneously learn patients'
underlying mental states and recommend optimal treatments for each individual.
This learning framework is based on the measurement theory in psychiatry for
modeling multiple disease diagnostic measures as arising from the underlying
causes (true mental states). It allows incorporation of the multivariate pre-
and post-treatment outcomes as well as biological measures while preserving the
invariant structure for representing patients' latent mental states. A
multi-layer neural network is used to allow complex treatment effect
heterogeneity. Optimal treatment policy can be inferred for future patients by
comparing their potential mental states under different treatments given the
observed multi-domain pre-treatment measurements. Experiments on simulated data
and a real-world clinical trial data show that the learned treatment polices
compare favorably to alternative methods on heterogeneous treatment effects,
and have broad utilities which lead to better patient outcomes on multiple
domains.
- Abstract（参考訳）: 精神疾患では、患者の基礎となる精神状態は、診断症状や患者機能スコアなどの観察された多領域の測定から推測される非保存的潜在構造である。
さらに, 患者間の疾患診断における相当な不均一性は, 個別治療方針の最適化に対処する必要がある。
これらの課題に対処するために,患者の精神状態を同時に学習し,各個人に対して最適な治療を推奨できる統合学習フレームワークを提案する。
この学習枠組みは、根本原因(真の精神状態)から生じる複数の疾患診断尺度をモデル化するための精神医学における測定理論に基づいている。
患者の潜在精神状態を表す不変構造を保ちつつ、多変量前および治療後の結果を組み込むことができる。
多層ニューラルネットワークは、複雑な処理効果の不均一性を許容するために用いられる。
治療方針の最適化は,多領域前処置測定により異なる治療条件下での潜在精神状態を比較することによって推察できる。
シミュレーションデータと実世界の臨床試験データを用いた実験により、学習された治療警察は異種治療効果の代替方法と好意的に比較でき、複数の領域において患者がより良い結果をもたらす幅広いユーティリティを有することが示された。
関連論文リスト
- Patient-Specific Models of Treatment Effects Explain Heterogeneity in Tuberculosis [41.015496177711334]
結核(英: tuberculosis、TB)は、HIV、糖尿病、貧血などの共同病原体が合併した世界的な健康問題である。
TBの伝統的なモデルは、広範に定義された患者グループに焦点を当てることで、この異種性を見落としていることが多い。
マルチタスク学習手法である文脈的モデリングを用いて、粗い部分群解析を超えて移動することを提案する。
論文 参考訳（メタデータ） (2024-11-16T00:55:24Z) - Towards AI-Based Precision Oncology: A Machine Learning Framework for Personalized Counterfactual Treatment Suggestions based on Multi-Omics Data [0.05025737475817938]
本稿では,個別のがん治療提案のためのモジュール型機械学習フレームワークを提案する。
このフレームワークは、データ駆動がん研究に固有の重要な課題に対処するように調整されている。
本手法は,臨床医に現実的な意思決定支援ツールを提供することを目的としている。
論文 参考訳（メタデータ） (2024-02-19T14:54:20Z) - 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) - Incomplete Multimodal Learning for Complex Brain Disorders Prediction [65.95783479249745]
本稿では,変換器と生成対向ネットワークを用いた不完全なマルチモーダルデータ統合手法を提案する。
アルツハイマー病神経画像イニシアチブコホートを用いたマルチモーダルイメージングによる認知変性と疾患予後の予測に本手法を適用した。
論文 参考訳（メタデータ） (2023-05-25T16:29:16Z) - 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) - Deep Representation Learning of Electronic Health Records to Unlock
Patient Stratification at Scale [0.5498849973527224]
ヘテロジニアスEHRを処理するためのディープラーニングに基づく教師なしフレームワークを提案する。
患者層形成を効果的かつ効果的に行うことができる患者表現を導出する。
論文 参考訳（メタデータ） (2020-03-14T00:04:20Z) - 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) - 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。