論文の概要: Learning $\mathbf{\mathit{Matching}}$ Representations for Individualized Organ Transplantation Allocation

• arxiv url: http://arxiv.org/abs/2101.11769v1
• Date: Thu, 28 Jan 2021 01:33:21 GMT
• ステータス: 処理完了
• システム内更新日: 2021-01-31 18:08:52.564561
• Title: Learning $\mathbf{\mathit{Matching}}$ Representations for Individualized Organ Transplantation Allocation
• Title（参考訳）: 個別臓器移植割り当てのための$\mathbf{\mathit{Matching}}$表現の学習
• Authors: Can Xu, Ahmed M. Alaa, Ioana Bica, Brent D. Ershoff, Maxime Cannesson, Mihaela van der Schaar
• Abstract要約: 臓器アロケーションと移植結果の観察データを用いて,臓器マッチングのためのデータ駆動型ルールの学習問題を定式化する。 本稿では,表現学習に基づくモデルを提案し,ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ド 本モデルは,ヒトの専門家が実施する最先端のアロケーション手法やポリシーより優れる。
• 参考スコア（独自算出の注目度）: 98.43063331640538
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Organ transplantation is often the last resort for treating end-stage illness, but the probability of a successful transplantation depends greatly on compatibility between donors and recipients. Current medical practice relies on coarse rules for donor-recipient matching, but is short of domain knowledge regarding the complex factors underlying organ compatibility. In this paper, we formulate the problem of learning data-driven rules for organ matching using observational data for organ allocations and transplant outcomes. This problem departs from the standard supervised learning setup in that it involves matching the two feature spaces (i.e., donors and recipients), and requires estimating transplant outcomes under counterfactual matches not observed in the data. To address these problems, we propose a model based on representation learning to predict donor-recipient compatibility; our model learns representations that cluster donor features, and applies donor-invariant transformations to recipient features to predict outcomes for a given donor-recipient feature instance. Experiments on semi-synthetic and real-world datasets show that our model outperforms state-of-art allocation methods and policies executed by human experts.
• Abstract（参考訳）: 臓器移植は終末期の病気を治療する最後の手段であるが、移植の成功の確率はドナーと受け手の互換性に大きく依存する。 現在の医療実践はドナー・レプリエントマッチングのための粗い規則に依存しているが、臓器の互換性の基礎となる複雑な要因に関するドメイン知識が不足している。 本稿では,臓器のアロケーションと移植結果の観察データを用いて,臓器マッチングのためのデータ駆動ルールの学習問題を定式化する。 この問題は、2つの機能空間(ドナーと受信者)をマッチングすることを含む標準の教師付き学習セットアップから出発し、データに観察されていない非実用一致の下での移植結果を推定する必要がある。 これらの問題に対処するために,本モデルでは,ドナー応答性を予測するための表現学習に基づくモデルを提案する。このモデルでは,クラスタドナー特徴の表現を学習し,ドナー不変変換を受け手特徴に適用して,特定のドナー応答性特徴インスタンスの結果を予測する。 半合成および実世界のデータセットに関する実験は、私たちのモデルが人間の専門家によって実行される最先端の割り当て方法とポリシーを上回っていることを示しています。

関連論文リスト

• Predicting Long-Term Allograft Survival in Liver Transplant Recipients [11.680219281917076]
  移植後5年以内に肝移植患者の約20%に肝移植不全が発生する。 我々は,他の先進的生存モデルよりも優れた線形リスクスコアであるMAS(Model for Allograft Survival)を導入する。
  論文  参考訳（メタデータ） (2024-08-10T04:44:36Z)
• Spillover Detection for Donor Selection in Synthetic Control Models [1.1510009152620668]
  理論的に座屈したドナーの選択手順を導入する。 本稿では, この理論を, 潜在的な流出効果を検出するための実用的手法に転換する方法について述べる。
  論文  参考訳（メタデータ） (2024-06-17T10:33:33Z)
• A Transformer-Based Deep Learning Approach for Fairly Predicting Post-Liver Transplant Risk Factors [19.00784227522497]
  肝移植は、末期肝疾患患者の救命法である。 現在のスコアシステムは、90日以内に臓器を受け取らなければ患者の死亡リスクを評価する。 心血管疾患や慢性拒絶などの移植後リスク因子は移植後の合併症である。
  論文  参考訳（メタデータ） (2023-04-05T22:54:26Z)
• Multi-Task Learning for Post-transplant Cause of Death Analysis: A Case Study on Liver Transplant [65.85767739748901]
  移植後の死因は、臨床的意思決定の強力なツールである。 Model for End-stage Liver Disease (MELD) スコアや従来の機械学習 (ML) メソッドのような従来の手法は、CoD 解析において限られている。 我々は,多タスク学習を利用したCoD-MTLと呼ばれる新しいフレームワークを提案し,様々なCoD予測タスク間の意味関係をモデル化する。
  論文  参考訳（メタデータ） (2023-03-30T01:31:49Z)
• Fairly Predicting Graft Failure in Liver Transplant for Organ Assigning [61.30094367351618]
  肝移植は肝疾患に対して必要不可欠な治療法である。 機械学習モデルは不公平であり、特定のグループに対する偏見を引き起こす可能性がある。 本研究は,肝移植における移植不全予測を目的とした,公正な機械学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-18T18:24:58Z)
• Deep Normed Embeddings for Patient Representation [0.1310865248866973]
  本稿では,新しいコントラスト表現学習目標と臨床時系列のトレーニングスキームを紹介する。 学習した埋め込みは、オンライン患者のモニタリング、臨床医の補充、下流機械学習タスクのパフォーマンス向上にどのように利用できるかを示す。
  論文  参考訳（メタデータ） (2022-04-12T02:02:01Z)
• Generalized Organ Segmentation by Imitating One-shot Reasoning using Anatomical Correlation [55.1248480381153]
  そこで我々は,アノテーション付きオルガンクラスから一般化されたオルガン概念を学習し,その概念を未知のクラスに転送するOrganNetを提案する。 そこで,OrganNetは臓器形態の幅広い変化に効果的に抵抗でき,一発分節タスクで最先端の結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-03-30T13:41:12Z)
• Improving Policy-Constrained Kidney Exchange via Pre-Screening [96.27605972266296]
  バーター交換は、様々な不確実性 - 受講者の嗜好、様々なスワップの実現可能性と品質など - の様々な形態に該当する。 私たちの仕事は、腎臓移植が必要な患者が、より良いマッチングを見つけるために、生きたドナーを交換する現実のバーターマーケットである、腎臓交換によって動機付けられています。 ドナー臓器が受給者の医療チームによって拒絶された場合、計画された移植は様々な理由で失敗することが多い。 ある米国拠点の取引所は、2019年に計画された移植の約85%が失敗したと推計している。
  論文  参考訳（メタデータ） (2020-10-22T21:07:36Z)
• 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。