論文の概要: A scoping review of causal methods enabling predictions under
hypothetical interventions
- arxiv url: http://arxiv.org/abs/2011.09815v2
- Date: Tue, 12 Jan 2021 15:31:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-23 21:44:02.280367
- Title: A scoping review of causal methods enabling predictions under
hypothetical interventions
- Title（参考訳）: 仮説的介入による予測を可能にする因果法の検討
- Authors: Lijing Lin, Matthew Sperrin, David A. Jenkins, Glen P. Martin, Niels
Peek
- Abstract要約: 意思決定を支援するために予測モデルを使用する場合、仮説的な介入の下で結果を予測する必要があることが多い。
我々は,2019年12月までに出版された文献を体系的にレビューし,仮説的介入による予測モデルの使用を可能にするために因果的考察を用いた健康領域の論文を考察した。
臨床予測モデルへの仮説的介入の下での予測を可能にするための2つの幅広い方法論的アプローチが存在する。
- 参考スコア（独自算出の注目度）: 4.801185839732629
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Background and Aims: The methods with which prediction models are usually
developed mean that neither the parameters nor the predictions should be
interpreted causally. However, when prediction models are used to support
decision making, there is often a need for predicting outcomes under
hypothetical interventions. We aimed to identify published methods for
developing and validating prediction models that enable risk estimation of
outcomes under hypothetical interventions, utilizing causal inference: their
main methodological approaches, underlying assumptions, targeted estimands, and
potential pitfalls and challenges with using the method, and unresolved
methodological challenges.
Methods: We systematically reviewed literature published by December 2019,
considering papers in the health domain that used causal considerations to
enable prediction models to be used for predictions under hypothetical
interventions.
Results: We identified 4919 papers through database searches and a further
115 papers through manual searches, of which 13 were selected for inclusion,
from both the statistical and the machine learning literature. Most of the
identified methods for causal inference from observational data were based on
marginal structural models and g-estimation.
Conclusions: There exist two broad methodological approaches for allowing
prediction under hypothetical intervention into clinical prediction models: 1)
enriching prediction models derived from observational studies with estimated
causal effects from clinical trials and meta-analyses; and 2) estimating
prediction models and causal effects directly from observational data. These
methods require extending to dynamic treatment regimes, and consideration of
multiple interventions to operationalise a clinical decision support system.
Techniques for validating 'causal prediction models' are still in their
infancy.
- Abstract（参考訳）: 背景と目的: 予測モデルが通常開発される手法は、パラメータや予測を因果的に解釈するべきではないことを意味する。
しかしながら、意思決定を支援するために予測モデルが使用される場合、仮定的な介入の下で結果を予測する必要性がしばしばある。
本研究の目的は,仮説的介入による結果のリスク推定を可能にする予測モデルの開発・検証,因果推論の活用,主要な方法論的アプローチ,基礎となる仮定,目標推定,本手法を用いた潜在的な落とし穴や課題,未解決の方法論的課題の検証である。
方法:2019年12月までに刊行された文献を体系的にレビューし,仮説的介入による予測モデルの使用を可能にするために因果的考察を用いた健康領域の論文を考察した。
結果: データベース検索により4919件の論文を同定し, さらに115件の論文を手作業で検索し, その内13件を統計的および機械学習の文献から抽出した。
観測データから因果推定を行う手法の多くは,境界構造モデルとg推定に基づいていた。
結論: 臨床予測モデルへの仮説的介入下での予測を可能にする方法は2つある。
1)臨床試験及びメタアナリシスから推定される因果効果による観察研究に由来する予測モデルの改善
2)観測データから直接予測モデルと因果効果を推定する。
これらの方法は、ダイナミックな治療体制への拡張と、臨床決定支援システムを運用するための複数の介入を考慮する必要がある。
因果予測モデル」を検証する技術はまだ初期段階にある。
関連論文リスト
- Predicting from Predictions [18.393971232725015]
観測データから,結果に対する予測の因果的影響を同定する方法について検討した。
予測から予測する教師あり学習は,特徴,予測,結果の間の伝達可能な機能的関係を見出すことができることを示す。
論文 参考訳（メタデータ） (2022-08-15T16:57:02Z) - Boosting the interpretability of clinical risk scores with intervention
predictions [59.22442473992704]
本稿では、今後の介入に関するモデルの仮定を明確に伝達する手段として、介入政策と有害事象リスクの合同モデルを提案する。
死亡確率などの典型的なリスクスコアと将来の介入確率スコアとを組み合わせることで、より解釈可能な臨床予測がもたらされることを示す。
論文 参考訳（メタデータ） (2022-07-06T19:49:42Z) - Clinical outcome prediction under hypothetical interventions -- a
representation learning framework for counterfactual reasoning [31.97813934144506]
本稿では,リスクモデルの組込み特性として,対実的説明の提供を考慮した新しい表現学習フレームワークを提案する。
提案する枠組みは, 研究者や臨床医がパーソナライズされたケアを改善するのに役立つ可能性が示唆された。
論文 参考訳（メタデータ） (2022-05-15T09:41:16Z) - Causality and Generalizability: Identifiability and Learning Methods [0.0]
この論文は、因果効果の推定、因果構造学習、および分布的に堅牢な予測方法に関する研究領域に寄与する。
本稿では,データ依存平均二乗予測誤差正規化を用いた機器変数設定における線形・非線形因果関係推定器について述べる。
本稿では,介入誘起分布に関する分布ロバスト性に関する一般的な枠組みを提案する。
論文 参考訳（メタデータ） (2021-10-04T13:12:11Z) - Learning to Predict with Supporting Evidence: Applications to Clinical
Risk Prediction [9.199022926064009]
機械学習モデルがヘルスケアに与える影響は、医療専門家がこれらのモデルによって予測される信頼度に依存する。
予測が信頼されるべき理由に関するドメイン関連証拠を,臨床専門性のある人に提供するための方法を提示する。
論文 参考訳（メタデータ） (2021-03-04T00:26:32Z) - Bayesian prognostic covariate adjustment [59.75318183140857]
疾患の結果に関する歴史的データは、様々な方法で臨床試験の分析に組み込むことができる。
我々は, 予測モデルからの予後スコアを用いて, 治療効果推定の効率を向上する既存の文献に基づいて構築する。
論文 参考訳（メタデータ） (2020-12-24T05:19:03Z) - STELAR: Spatio-temporal Tensor Factorization with Latent Epidemiological
Regularization [76.57716281104938]
我々は,多くの地域の流行傾向を同時に予測するテンソル法を開発した。
stelarは離散時間差分方程式のシステムを通じて潜在時間正規化を組み込むことで長期予測を可能にする。
我々は、カウンティレベルと州レベルのCOVID-19データの両方を用いて実験を行い、このモデルが流行の興味深い潜伏パターンを識別できることを示します。
論文 参考訳（メタデータ） (2020-12-08T21:21:47Z) - Double Robust Representation Learning for Counterfactual Prediction [68.78210173955001]
そこで本稿では, 対実予測のための2次ロバスト表現を学習するための, スケーラブルな新しい手法を提案する。
我々は、個々の治療効果と平均的な治療効果の両方に対して、堅牢で効率的な対実的予測を行う。
このアルゴリズムは,実世界の最先端技術と合成データとの競合性能を示す。
論文 参考訳（メタデータ） (2020-10-15T16:39:26Z) - Counterfactual Predictions under Runtime Confounding [74.90756694584839]
本研究は, 過去のデータからすべての関連要因を抽出した環境で, 事実予測タスクについて検討する。
本稿では,この環境下での対実予測モデル学習のための2次ロバスト手法を提案する。
論文 参考訳（メタデータ） (2020-06-30T15:49:05Z) - Performance metrics for intervention-triggering prediction models do not
reflect an expected reduction in outcomes from using the model [71.9860741092209]
臨床研究者はしばしばリスク予測モデルの中から選択し評価する。
振り返りデータから算出される標準メトリクスは、特定の仮定の下でのみモデルユーティリティに関係します。
予測が時間を通して繰り返し配信される場合、標準メトリクスとユーティリティの関係はさらに複雑になる。
論文 参考訳（メタデータ） (2020-06-02T16:26:49Z)
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。