論文の概要: Bandit Algorithms for Precision Medicine
- arxiv url: http://arxiv.org/abs/2108.04782v1
- Date: Tue, 10 Aug 2021 16:52:52 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-11 14:30:39.460163
- Title: Bandit Algorithms for Precision Medicine
- Title（参考訳）: 精密医療のためのバンディットアルゴリズム
- Authors: Yangyi Lu, Ziping Xu, Ambuj Tewari
- Abstract要約: この章は統計学、機械学習、運用研究などの分野の定量的研究者のために書かれたものである。
Banditアルゴリズムは、現代のデータサイエンスにおいて中心的な位置を占めるようになった。
バンディットアルゴリズムは、何らかの健康結果の最適化のために治療決定を行う必要があるあらゆる状況で使用することができる。
- 参考スコア（独自算出の注目度）: 28.730517512828204
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The Oxford English Dictionary defines precision medicine as "medical care
designed to optimize efficiency or therapeutic benefit for particular groups of
patients, especially by using genetic or molecular profiling." It is not an
entirely new idea: physicians from ancient times have recognized that medical
treatment needs to consider individual variations in patient characteristics.
However, the modern precision medicine movement has been enabled by a
confluence of events: scientific advances in fields such as genetics and
pharmacology, technological advances in mobile devices and wearable sensors,
and methodological advances in computing and data sciences.
This chapter is about bandit algorithms: an area of data science of special
relevance to precision medicine. With their roots in the seminal work of
Bellman, Robbins, Lai and others, bandit algorithms have come to occupy a
central place in modern data science ( Lattimore and Szepesvari, 2020). Bandit
algorithms can be used in any situation where treatment decisions need to be
made to optimize some health outcome. Since precision medicine focuses on the
use of patient characteristics to guide treatment, contextual bandit algorithms
are especially useful since they are designed to take such information into
account. The role of bandit algorithms in areas of precision medicine such as
mobile health and digital phenotyping has been reviewed before (Tewari and
Murphy, 2017; Rabbi et al., 2019). Since these reviews were published, bandit
algorithms have continued to find uses in mobile health and several new topics
have emerged in the research on bandit algorithms. This chapter is written for
quantitative researchers in fields such as statistics, machine learning, and
operations research who might be interested in knowing more about the
algorithmic and mathematical details of bandit algorithms that have been used
in mobile health.
- Abstract（参考訳）: オックスフォード英語辞典(Oxford English Dictionary)は、精密医療を「特に遺伝子または分子プロファイリングを用いて、特定の患者のグループに対する効率や治療効果を最適化するために設計された医療」と定義している。
古代の医師は、医療は患者の特性の個人的変化を考慮する必要があると認識していた。
しかし、現代の精密医療運動は、遺伝学や薬理学などの分野における科学的進歩、モバイルデバイスやウェアラブルセンサーの技術的進歩、コンピューティングとデータサイエンスにおける方法論的進歩といった一連の出来事によって実現されている。
この章は、精密医学に特有なデータサイエンスの分野であるバンディットアルゴリズムについて書かれている。
ベルマン、ロビンス、ライらの独創的な研究に根ざしたバンディットアルゴリズムは、現代のデータ科学(lattimore and szepesvari, 2020)において中心的な位置を占めるようになった。
バンディットアルゴリズムは、何らかの健康結果を最適化するために治療決定を行う必要がある状況で使用できる。
精密医療は患者の特徴を利用して治療をガイドすることに焦点を当てているため、文脈的バンディットアルゴリズムはそのような情報を考慮に入れているため、特に有用である。
モバイルヘルスやデジタル表現型化といった精密医療分野におけるバンディットアルゴリズムの役割は以前にも検討されてきた(tewari and murphy, 2017; rabbi et al., 2019)。
これらのレビューが公表されて以来、バンディットアルゴリズムはモバイルの健康に利用され続けており、バンディットアルゴリズムの研究に新たなトピックがいくつか出現している。
この章は、モバイルの健康に使われているバンディットアルゴリズムのアルゴリズムや数学的詳細を知ることに興味がある統計学、機械学習、オペレーション研究などの分野の定量的研究者のために書かれている。
関連論文リスト
- Contextual Bandits with Budgeted Information Reveal [3.861395476387163]
コンテキストバンディットアルゴリズムは、パーソナライズされた治療を推奨するために、デジタルヘルスで一般的に使用される。
治療の有効性を確保するため、患者は直接の利益のない行動を取るよう要求されることが多い。
本稿では,この問題に対処するための新しい最適化と学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-05-29T16:18:28Z) - Detecting automatically the layout of clinical documents to enhance the
performances of downstream natural language processing [53.797797404164946]
我々は,臨床用PDF文書を処理し,臨床用テキストのみを抽出するアルゴリズムを設計した。
このアルゴリズムは、PDFを使った最初のテキスト抽出と、続いてボディテキスト、左書き、フッタなどのカテゴリに分類される。
それぞれのセクションのテキストから興味ある医学的概念を抽出し,医療的パフォーマンスを評価した。
論文 参考訳（メタデータ） (2023-05-23T08:38:33Z) - A Gold Standard Dataset for the Reviewer Assignment Problem [117.59690218507565]
類似度スコア(Similarity score)とは、論文のレビューにおいて、レビュアーの専門知識を数値で見積もるものである。
私たちのデータセットは、58人の研究者による477の自己申告された専門知識スコアで構成されています。
2つの論文をレビュアーに関連付けるタスクは、簡単なケースでは12%～30%、ハードケースでは36%～43%である。
論文 参考訳（メタデータ） (2023-03-23T16:15:03Z) - Collaborative Machine Learning-Driven Internet of Medical Things -- A
Systematic Literature Review [0.0]
医療におけるIoTデバイスの採用の増加により、研究者はこれらのデバイスによって生成されたすべてのデータを使用して、インテリジェンスを構築することが可能になった。
健康のモニタリングと診断は、そのようなデバイスが有益であることが証明された2つの最も一般的なシナリオである。
高い予測精度を達成することが最初は最優先事項であったが、焦点は徐々に効率と高いスループットにシフトしている。
論文 参考訳（メタデータ） (2022-07-13T12:28:17Z) - PosePipe: Open-Source Human Pose Estimation Pipeline for Clinical
Research [0.0]
我々は臨床現場で取得したデータに対して最先端のアルゴリズムの実行を容易にする人間のポーズ推定パイプラインを開発する。
本研究の目的は,新しいアルゴリズムの訓練ではなく,臨床・翻訳研究における最先端のポーズ推定アルゴリズムの活用を推し進めることである。
論文 参考訳（メタデータ） (2022-03-16T17:54:37Z) - Deep Algorithm Unrolling for Biomedical Imaging [99.73317152134028]
本章では,アルゴリズムのアンロールによるバイオメディカル応用とブレークスルーについて概説する。
我々はアルゴリズムのアンローリングの起源を辿り、反復アルゴリズムをディープネットワークにアンローリングする方法に関する包括的なチュートリアルを提供する。
オープンな課題を議論し、今後の研究方向性を提案することで、この章を締めくくります。
論文 参考訳（メタデータ） (2021-08-15T01:06:26Z) - The Medkit-Learn(ing) Environment: Medical Decision Modelling through
Simulation [81.72197368690031]
医用シーケンシャルな意思決定に特化して設計された新しいベンチマークスイートを提案する。
Medkit-Learn(ing) Environmentは、高忠実度合成医療データに簡単かつ簡単にアクセスできるPythonパッケージである。
論文 参考訳（メタデータ） (2021-06-08T10:38:09Z) - BiteNet: Bidirectional Temporal Encoder Network to Predict Medical
Outcomes [53.163089893876645]
本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。
エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。
実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
論文 参考訳（メタデータ） (2020-09-24T00:42:36Z) - A summary of the prevalence of Genetic Algorithms in Bioinformatics from
2015 onwards [0.0]
遺伝的アルゴリズムは完全なアプリケーションを作ることは滅多になく、サポートベクターマシンのような他の重要なアルゴリズムに依存している。
GAのような人口ベースの検索は、しばしば他の機械学習アルゴリズムと組み合わせられる。
遺伝的アルゴリズムの未来は、複雑さを高め、多様な解決策を見つけようとするオープンエンド進化アルゴリズムかもしれない。
論文 参考訳（メタデータ） (2020-08-20T15:15:43Z) - VerSe: A Vertebrae Labelling and Segmentation Benchmark for
Multi-detector CT Images [121.31355003451152]
大規模Vertebrae Challenge(VerSe)は、2019年と2020年に開催されたMICCAI(International Conference on Medical Image Computing and Computer Assisted Intervention)と共同で設立された。
本評価の結果を報告するとともに,脊椎レベル,スキャンレベル,および異なる視野での性能変化について検討した。
論文 参考訳（メタデータ） (2020-01-24T21:09:18Z)
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。