論文の概要: A pragmatic approach to estimating average treatment effects from EHR data: the effect of prone positioning on mechanically ventilated COVID-19 patients

• arxiv url: http://arxiv.org/abs/2109.06707v1
• Date: Tue, 14 Sep 2021 14:14:37 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-15 21:41:02.030591
• Title: A pragmatic approach to estimating average treatment effects from EHR data: the effect of prone positioning on mechanically ventilated COVID-19 patients
• Title（参考訳）: EHRデータから平均治療効果を推定するための実用的アプローチ : 機械的換気型COVID-19患者に対する利き位置の影響
• Authors: Adam Izdebski, Patrick J Thoral, Robbert C A Lalisang, Dean M McHugh, Robert Entjes, Nardo J M van der Meer, Dave A Dongelmans, Age D Boelens, Sander Rigter, Stefaan H A Hendriks, Remko de Jong, Marlijn J A Kamps, Marco Peters, A Karakus, Diederik Gommers, Dharmanand Ramnarain, Evert-Jan Wils, Sefanja Achterberg, Ralph Nowitzky, Walter van den Tempel, Cornelis P C de Jager, Fleur G C A Nooteboom, Evelien Oostdijk, Peter Koetsier, Alexander D Cornet, Auke C Reidinga, Wouter de Ruijter, Rob J Bosman, Tim Frenzel, Louise C Urlings-Strop, Paul de Jong, Ellen G M Smit, Olaf L Cremer, Frits H M van Osch, Harald J Faber, Judith Lens, Gert B Brunnekreef, Barbara Festen-Spanjer, Tom Dormans, Bram Simons, A A Rijkeboer, Annemieke Dijkstra, Sesmu Arbous, Marcel Aries, Menno Beukema, Rutger van Raalte, Martijn van Tellingen, Niels C Gritters van den Oever, Paul W G Elbers, Giovanni Cin\`a
• Abstract要約: 観察データから治療効果を推定する方法については合意されていない。 本稿では,観察研究から治療効果の予備的評価を得るための実用的手法を紹介する。
• 参考スコア（独自算出の注目度）: 29.983525001333625
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Despite the recent progress in the field of causal inference, to date there is no agreed upon methodology to glean treatment effect estimation from observational data. The consequence on clinical practice is that, when lacking results from a randomized trial, medical personnel is left without guidance on what seems to be effective in a real-world scenario. This article showcases a pragmatic methodology to obtain preliminary estimation of treatment effect from observational studies. Our approach was tested on the estimation of treatment effect of the proning maneuver on oxygenation levels, on a cohort of COVID-19 Intensive Care patients. We modeled our study design on a recent RCT for proning (the PROSEVA trial). Linear regression, propensity score models such as blocking and DR-IPW, BART and two versions of Counterfactual Regression were employed to provide estimates on observational data comprising first wave COVID-19 ICU patient data from 25 Dutch hospitals. 6371 data points, from 745 mechanically ventilated patients, were included in the study. Estimates for the early effect of proning -- P/F ratio from 2 to 8 hours after proning -- ranged between 14.54 and 20.11 mm Hg depending on the model. Estimates for the late effect of proning -- oxygenation from 12 to 24 hours after proning -- ranged between 13.53 and 15.26 mm Hg. All confidence interval being strictly above zero indicated that the effect of proning on oxygenation for COVID-19 patient was positive and comparable in magnitude to the effect on non COVID-19 patients. These results provide further evidence on the effectiveness of proning on the treatment of COVID-19 patients. This study, along with the accompanying open-source code, provides a blueprint for treatment effect estimation in scenarios where RCT data is lacking. Funding: SIDN fund, CovidPredict consortium, Pacmed.
• Abstract（参考訳）: 因果推論の分野の最近の進歩にもかかわらず、現在まで観察データから治療効果を推定する手法は合意されていない。 臨床実践の結果として、ランダムな臨床試験の結果が得られていない場合、医療従事者は現実のシナリオで有効と思われるものについてのガイダンスが残される。 本稿では,観察研究から治療効果を予備評価するための実用的手法を紹介する。 本研究は, プロニング操作が酸素濃度に及ぼす影響を, 集中治療患者のコホートで評価した。 我々は,最近のプロニング用rct(proseva試験)の研究設計をモデル化した。 オランダ25病院から得られた第1波covid-19 icu患者データから得られた観察データから,線形回帰,ブロッキング,dr-ipw,bart,および2種類の偽回帰モデルを用いた。 745名の機械的換気患者の6371点を対象とした。 プロニング後2時間から8時間までのP/F比は、モデルによって14.54から20.11mm Hgと見積もられた。 プロニング後12時間から24時間までの酸素処理の遅延効果は13.53から15.26mm Hgと推定された。 すべての信頼区間がゼロ以上であることから、プロニングがcovid-19患者の酸素化に及ぼす影響は陽性であり、非covid-19患者に対する影響に匹敵する程度であった。 これらの結果は、新型コロナウイルス患者の治療効果に関するさらなる証拠となる。 本研究は,オープンソースコードとともに,RTTデータ不足のシナリオにおける治療効果推定の青写真を提供する。 資金提供: SIDN Fund、CovidPredict Consortium、Pacmed。

関連論文リスト

• Estimating average causal effects from patient trajectories [18.87912848546951]
  医療実践においては、患者の結果に期待される因果効果に基づいて治療が選択される。 本稿では,時間とともに収集される観察データ(患者軌跡)から平均因果効果(ACE)を推定することを目的とする。
  論文  参考訳（メタデータ） (2022-03-02T16:45:19Z)
• Disentangled Counterfactual Recurrent Networks for Treatment Effect Inference over Time [71.30985926640659]
  本稿では,DCRN(Disentangled Counterfactual Recurrent Network)を提案する。 時間とともに治療効果の因果構造に完全にインスパイアされたアーキテクチャでは、予測精度と疾患理解が向上する。 実データとシミュレーションデータの両方において,DCRNが処理応答予測の最先端手法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-12-07T16:40:28Z)
• Development and Validation of a Deep Learning Model for Prediction of Severe Outcomes in Suspected COVID-19 Infection [9.524156465126758]
  救急外来(ed)に初診した患者の予測結果を伴うトリエイジングは、患者の予後を改善する上で重要である。 我々は、患者の結果を予測するために深い機能融合モデルを訓練した。 モデルアウトプットは、最も非感受性な酸素療法が要求される患者の結果であった。 新型コロナウイルス重篤な結果(CO-RISKスコア)の予測リスクスコアは、モデルアウトプットから導出され、テストデータセットで評価された。
  論文  参考訳（メタデータ） (2021-03-21T00:03:27Z)
• CDSM -- Casual Inference using Deep Bayesian Dynamic Survival Models [3.9169188005935927]
  我々はベイジアン・リカレント・サブネットワークを用いた潜在的結果フレームワークを用いて生存曲線の差を推定する因果的動的生存モデル(CDSM)を開発した。 シミュレーションされたサバイバルデータセットを使用して、CDSMはサンプル寸法、イベントレート、結束および重複のシナリオにわたる良好な因果効果推定性能を示した。
  論文  参考訳（メタデータ） (2021-01-26T09:15:49Z)
• 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)
• Individualized Prediction of COVID-19 Adverse outcomes with MLHO [9.197411456718708]
  我々は、反復的な特徴とアルゴリズムの選択を利用して健康状態を予測するエンドツーエンドの機械学習フレームワークを開発した。 入院前患者の健康状態と人口統計を表わす特徴として,約600点を用いた4つの有害な結果のモデル化を行った。 以上の結果から, 人口統計学的変数は, 新型コロナウイルス感染後の副作用の予測因子として重要であるが, 過去の臨床記録の組み入れは, 信頼性の高い予測モデルに欠かせないことが示唆された。
  論文  参考訳（メタデータ） (2020-08-10T02:44:52Z)
• Integrative Analysis for COVID-19 Patient Outcome Prediction [53.11258640541513]
  我々は、集中治療室入院の必要性を予測するために、人口統計、バイタルサイン、実験室の所見から、肺不透明度の放射能と非画像の特徴を組み合わせる。 また, 地域性肺炎を含む他の肺疾患にも適用できるが, 地域性肺炎に限らない。
  論文  参考訳（メタデータ） (2020-07-20T19:08:50Z)
• Enabling Counterfactual Survival Analysis with Balanced Representations [64.17342727357618]
  生存データは様々な医学的応用、すなわち薬物開発、リスクプロファイリング、臨床試験で頻繁に見られる。 本稿では,生存結果に適用可能な対実的推論のための理論的基盤を持つ統一的枠組みを提案する。
  論文  参考訳（メタデータ） (2020-06-14T01:15:00Z)
• Predicting COVID-19 Pneumonia Severity on Chest X-ray with Deep Learning [57.00601760750389]
  前頭部胸部X線画像の重症度予測モデルを提案する。 このようなツールは、エスカレーションやケアの非エスカレーションに使用できる新型コロナウイルスの肺感染症の重症度を測定することができる。
  論文  参考訳（メタデータ） (2020-05-24T23:13:16Z)
• Joint Prediction and Time Estimation of COVID-19 Developing Severe Symptoms using Chest CT Scan [49.209225484926634]
  術後に重篤な症状を発症するかどうかを判定するための共同分類法と回帰法を提案する。 提案手法は,各試料の重量を考慮し,外乱の影響を低減し,不均衡な分類の問題を検討する。 提案手法では, 重症症例の予測精度76.97%, 相関係数0.524, 変換時間0.55日差が得られた。
  論文  参考訳（メタデータ） (2020-05-07T12:16:37Z)

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。