論文の概要: Deep Bayesian Estimation for Dynamic Treatment Regimes with a Long Follow-up Time

• arxiv url: http://arxiv.org/abs/2109.11929v1
• Date: Mon, 20 Sep 2021 13:21:39 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-03 11:22:05.295499
• Title: Deep Bayesian Estimation for Dynamic Treatment Regimes with a Long Follow-up Time
• Title（参考訳）: 長期追跡時間を有する動的治療体制に対するディープベイズ推定
• Authors: Adi Lin and Jie Lu and Junyu Xuan and Fujin Zhu and Guangquan Zhang
• Abstract要約: 動的治療体制(DTR)の因果効果推定は、シーケンシャルな意思決定に寄与する。 結果回帰モデルと高次元特徴に対する治療モデルを組み合わせる。 また、開発されたディープベイズモデルでは、不確実性をモデル化し、自動運転車や医療設計など、安全に配慮したアプリケーションに不可欠な予測分散を出力することができる。
• 参考スコア（独自算出の注目度）: 28.11470886127216
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Causal effect estimation for dynamic treatment regimes (DTRs) contributes to sequential decision making. However, censoring and time-dependent confounding under DTRs are challenging as the amount of observational data declines over time due to a reducing sample size but the feature dimension increases over time. Long-term follow-up compounds these challenges. Another challenge is the highly complex relationships between confounders, treatments, and outcomes, which causes the traditional and commonly used linear methods to fail. We combine outcome regression models with treatment models for high dimensional features using uncensored subjects that are small in sample size and we fit deep Bayesian models for outcome regression models to reveal the complex relationships between confounders, treatments, and outcomes. Also, the developed deep Bayesian models can model uncertainty and output the prediction variance which is essential for the safety-aware applications, such as self-driving cars and medical treatment design. The experimental results on medical simulations of HIV treatment show the ability of the proposed method to obtain stable and accurate dynamic causal effect estimation from observational data, especially with long-term follow-up. Our technique provides practical guidance for sequential decision making, and policy-making.
• Abstract（参考訳）: 動的治療体制(DTR)の因果効果推定は、シーケンシャルな意思決定に寄与する。 しかし, サンプルサイズが小さくなるにつれて観測データの量は減少するが, 時間とともに特徴量が増加するため, DTR下での検閲や時間依存性の共起は困難である。 長期的なフォローアップはこれらの課題を複雑にする。 もう1つの課題は、共同創設者、治療、成果の間の非常に複雑な関係であり、伝統的で一般的に使用される線形メソッドが失敗する。 結果回帰モデルと, サンプルサイズが小さい非検閲被験者を用いた高次元特徴の処理モデルを組み合わせて, 結果回帰モデルにディープベイズモデルを適用し, 共同創設者, 治療, 成果の複雑な関係を明らかにする。 また, 開発した深層ベイズモデルでは, 不確実性をモデル化し, 自動運転車や医療設計など, 安全対策に不可欠な予測分散を出力できる。 HIV治療の医療シミュレーション実験の結果,特に長期経過における観察データから安定かつ正確な動的因果効果を推定できる可能性が示唆された。 本手法は,逐次的意思決定と政策立案のための実践的なガイダンスを提供する。

関連論文リスト

• Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
  そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。 また,死亡率と臓器不全の関連性について有意な知見が得られた。
  論文  参考訳（メタデータ） (2024-07-28T02:42:36Z)
• MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
  本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。 トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。 ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
  論文  参考訳（メタデータ） (2023-10-04T01:36:30Z)
• Estimating Treatment Effects from Irregular Time Series Observations with Hidden Confounders [15.41689729746877]
  実世界の時系列には、大規模で不規則で断続的な時系列観測が含まれる。 隠れた共同創設者の存在は 偏見のある治療推定につながる 不規則なサンプルによる連続的な時間設定では、因果関係のダイナミクスを直接扱うことは困難である。
  論文  参考訳（メタデータ） (2023-03-04T04:55:34Z)
• Continuous-Time Modeling of Counterfactual Outcomes Using Neural Controlled Differential Equations [84.42837346400151]
  反現実的な結果を予測することは、パーソナライズされたヘルスケアをアンロックする可能性がある。 既存の因果推論アプローチでは、観察と治療決定の間の通常の離散時間間隔が考慮されている。 そこで本研究では,腫瘍増殖モデルに基づく制御可能なシミュレーション環境を提案する。
  論文  参考訳（メタデータ） (2022-06-16T17:15:15Z)
• Ambiguous Dynamic Treatment Regimes: A Reinforcement Learning Approach [0.0]
  動的処理レジーム(DTR)は、このプロセスの形式化のために広く研究されている。 最適な治療体制を効率的に学習するための強化学習法を開発した。
  論文  参考訳（メタデータ） (2021-12-08T20:22:04Z)
• Efficient Causal Inference from Combined Observational and Interventional Data through Causal Reductions [68.6505592770171]
  因果効果を推定する際の主な課題の1つである。 そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。 パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-08T14:29:07Z)
• 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)
• DeepRite: Deep Recurrent Inverse TreatmEnt Weighting for Adjusting Time-varying Confounding in Modern Longitudinal Observational Data [68.29870617697532]
  時系列データにおける時間変化の相違に対するDeep Recurrent Inverse TreatmEnt重み付け(DeepRite)を提案する。 DeepRiteは、合成データから基底的真理を復元し、実際のデータから偏りのない処理効果を推定する。
  論文  参考訳（メタデータ） (2020-10-28T15:05:08Z)
• Estimating Counterfactual Treatment Outcomes over Time Through Adversarially Balanced Representations [114.16762407465427]
  時間とともに治療効果を推定するためにCRN(Counterfactual Recurrent Network)を導入する。 CRNは、患者履歴のバランスの取れた表現を構築するために、ドメイン敵のトレーニングを使用する。 本モデルでは, 正解率の予測と適切な治療時期の選択において, 誤差の低減を図っている。
  論文  参考訳（メタデータ） (2020-02-10T20:47:36Z)

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。