論文の概要: Bayesian prognostic covariate adjustment
- arxiv url: http://arxiv.org/abs/2012.13112v1
- Date: Thu, 24 Dec 2020 05:19:03 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-25 08:07:52.905827
- Title: Bayesian prognostic covariate adjustment
- Title（参考訳）: ベイズ予測型共変量調整
- Authors: David Walsh, Alejandro Schuler, Diana Hall, Jon Walsh, Charles Fisher
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 59.75318183140857
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Historical data about disease outcomes can be integrated into the analysis of
clinical trials in many ways. We build on existing literature that uses
prognostic scores from a predictive model to increase the efficiency of
treatment effect estimates via covariate adjustment. Here we go further,
utilizing a Bayesian framework that combines prognostic covariate adjustment
with an empirical prior distribution learned from the predictive performances
of the prognostic model on past trials. The Bayesian approach interpolates
between prognostic covariate adjustment with strict type I error control when
the prior is diffuse, and a single-arm trial when the prior is sharply peaked.
This method is shown theoretically to offer a substantial increase in
statistical power, while limiting the type I error rate under reasonable
conditions. We demonstrate the utility of our method in simulations and with an
analysis of a past Alzheimer's disease clinical trial.
- Abstract（参考訳）: 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。
予測モデルから予測スコアを用いた既存の文献をもとに,コ変量調整による治療効果推定の効率を向上させる。
ここでは,予測的共変量調整と経験的事前分布を組み合わせたベイズ的枠組みを,過去の治験における予測モデルの予測性能から学習した。
ベイズ的アプローチは、前者が拡散した場合の厳密なI型エラー制御による確率的共変量調整と、前者が急激なピーク時の単腕トライアルとを補間する。
この方法は理論上、統計的パワーを著しく増加させつつ、合理的な条件下でI型誤差率を制限することが示されている。
我々は,過去のアルツハイマー病臨床治験のシミュレーションおよび解析において本手法の有用性を実証した。
関連論文リスト
- Conditional Score-Based Diffusion Model for Cortical Thickness
Trajectory Prediction [29.415616701032604]
アルツハイマー病(英: Alzheimer's Disease、AD)は、個人間での進行率の多様性を特徴とする神経変性疾患である。
与えられたベースライン情報を用いてCThトラジェクトリを生成する条件付きスコアベース拡散モデルを提案する。
本モデルでは6～36ヶ月のCThに比べて95%間隔が狭いほぼゼロバイアスを有する。
論文 参考訳（メタデータ） (2024-03-11T17:26:18Z) - Prognostic Covariate Adjustment for Logistic Regression in Randomized
Controlled Trials [1.5020330976600735]
本研究では, 確率的スコア調整により, 条件付オッズ比のウォルド試験のパワーを一定のサンプルサイズで向上させることができることを示す。
我々はg-computationを用いて、確率的スコア調整の範囲を、限界リスク差、相対リスク、確率比推定に基づいて拡張する。
論文 参考訳（メタデータ） (2024-02-29T06:53:16Z) - Uncertainty Quantification on Clinical Trial Outcome Prediction [37.238845949535616]
本稿では,不確実性の定量化を臨床治験結果の予測に取り入れることを提案する。
私たちの主な目標は、ニュアンスドの違いを識別するモデルの能力を強化することです。
我々は目的を達成するために選択的な分類手法を採用した。
論文 参考訳（メタデータ） (2024-01-07T13:48:05Z) - Selective Nonparametric Regression via Testing [54.20569354303575]
本研究では,所定の点における条件分散の値に関する仮説を検証し,留置手順を開発する。
既存の手法とは異なり、提案手法は分散自体の値だけでなく、対応する分散予測器の不確実性についても考慮することができる。
論文 参考訳（メタデータ） (2023-09-28T13:04:11Z) - Simultaneous inference for generalized linear models with unmeasured confounders [0.0]
本稿では,構造を利用して線形射影を3つの重要な段階に統合する,統一的な統計的推定と推測の枠組みを提案する。
サンプルおよび応答サイズとして$z$-testsの効果的なType-Iエラー制御が無限大に近づくことを示す。
論文 参考訳（メタデータ） (2023-09-13T18:53:11Z) - Robust and Agnostic Learning of Conditional Distributional Treatment
Effects [62.44901952244514]
条件平均治療効果(CATE)は、個々の因果効果の最適点予測である。
集約分析では、通常は分布処理効果(DTE)の測定によって対処される。
我々は,多種多様な問題に対して条件付きDTE(CDTE)を学習するための,新しい堅牢でモデルに依存しない手法を提供する。
論文 参考訳（メタデータ） (2022-05-23T17:40:31Z) - When in Doubt: Neural Non-Parametric Uncertainty Quantification for
Epidemic Forecasting [70.54920804222031]
既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。
不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。
本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
論文 参考訳（メタデータ） (2021-06-07T18:31:47Z) - Increasing the efficiency of randomized trial estimates via linear
adjustment for a prognostic score [59.75318183140857]
ランダム化実験による因果効果の推定は臨床研究の中心である。
歴史的借用法のほとんどは、厳格なタイプiエラー率制御を犠牲にして分散の削減を達成する。
論文 参考訳（メタデータ） (2020-12-17T21:10:10Z) - 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)
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。