論文の概要: Heterogeneous Treatment Effect Estimation using machine learning for Healthcare application: tutorial and benchmark

• arxiv url: http://arxiv.org/abs/2109.12769v1
• Date: Mon, 27 Sep 2021 02:34:44 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-29 05:59:31.176360
• Title: Heterogeneous Treatment Effect Estimation using machine learning for Healthcare application: tutorial and benchmark
• Title（参考訳）: 医療アプリケーションのための機械学習を用いた異種治療効果推定:チュートリアルとベンチマーク
• Authors: Yaobin Ling, Pulakesh Upadhyaya, Luyao Chen, Xiaoqian Jiang, Yejin Kim
• Abstract要約: 多くの研究が、薬物効果は人口間で不均一であることを示した。 ヘテロジニアス処理効果(HTE)を推定する高度な機械学習モデルが近年出現している。 我々は,医療分野にHTE手法を導入し,実現可能性を検討することを目的とする。
• 参考スコア（独自算出の注目度）: 8.869515663374248
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Developing new drugs for target diseases is a time-consuming and expensive task, drug repurposing has become a popular topic in the drug development field. As much health claim data become available, many studies have been conducted on the data. The real-world data is noisy, sparse, and has many confounding factors. In addition, many studies have shown that drugs effects are heterogeneous among the population. Lots of advanced machine learning models about estimating heterogeneous treatment effects (HTE) have emerged in recent years, and have been applied to in econometrics and machine learning communities. These studies acknowledge medicine and drug development as the main application area, but there has been limited translational research from the HTE methodology to drug development. We aim to introduce the HTE methodology to the healthcare area and provide feasibility consideration when translating the methodology with benchmark experiments on healthcare administrative claim data. Also, we want to use benchmark experiments to show how to interpret and evaluate the model when it is applied to healthcare research. By introducing the recent HTE techniques to a broad readership in biomedical informatics communities, we expect to promote the wide adoption of causal inference using machine learning. We also expect to provide the feasibility of HTE for personalized drug effectiveness.
• Abstract（参考訳）: 標的疾患の新しい薬の開発は時間と費用のかかる作業であり、医薬品開発の分野では薬剤の再利用が話題となっている。 医療請求データが利用可能になるにつれて、データについて多くの研究がなされている。 実世界のデータは騒々しく、まばらで、多くの要因がある。 さらに、多くの研究が、薬物効果は人口間で不均一であることを示した。 近年、異種治療効果(hte)を推定するための高度な機械学習モデルが数多く登場し、計量経済学や機械学習コミュニティにも適用されている。 これらの研究は、医学と薬物開発を主な応用分野として認めるが、HTE法から薬物開発への翻訳研究は限られている。 我々は,医療分野にHTE手法を導入し,医療管理請求データに関するベンチマーク実験で方法論を翻訳する際の可能性を検討することを目的とする。 また、医療研究に適用された場合のモデルを解釈し、評価する方法を示すために、ベンチマーク実験を利用したい。 バイオメディカルインフォマティクスコミュニティの幅広い読者に最近のhte技術を導入することで、機械学習を用いた因果推論の広範な採用を促進することを期待する。 我々はまた、HTEのパーソナライズドドラッグの有効性も期待している。

関連論文リスト

• Reddit-Impacts: A Named Entity Recognition Dataset for Analyzing Clinical and Social Effects of Substance Use Derived from Social Media [6.138126219622993]
  物質利用障害(SUD)は、データ駆動研究を通じて、問題とそのトレンドの理解を深める必要がある、世界的な関心事である。 ソーシャルメディアは、SUDに関するユニークな重要な情報源であり、特にそのような情報源のデータは、生きた経験を持つ人々によってしばしば生成されるためである。 本稿では,処方と違法なオピオイド,およびオピオイド使用障害の薬物に関する議論を専門とするサブレディットからキュレートされた,難解な名前付きエンティティ認識(NER)データセットであるReddit-Impactsを紹介する。 このデータセットは、研究の少ないが重要な、物質利用の側面に特に焦点を絞っている。
  論文  参考訳（メタデータ） (2024-05-09T23:43:57Z)
• Physical formula enhanced multi-task learning for pharmacokinetics prediction [54.13787789006417]
  AIによる薬物発見の大きな課題は、高品質なデータの不足である。 薬物動態の4つの重要なパラメータを同時に予測するPEMAL法を開発した。 実験の結果,PEMALは一般的なグラフニューラルネットワークに比べてデータ需要を著しく低減することがわかった。
  論文  参考訳（メタデータ） (2024-04-16T07:42:55Z)
• "Hey..! This medicine made me sick": Sentiment Analysis of User-Generated Drug Reviews using Machine Learning Techniques [2.2874754079405535]
  本研究は、特定の薬物に関するユーザレビューを、ポジティブ、ネガティブ、中立などの異なるクラスに分類する薬物レビュー分類システムを提案する。 収集されたデータは手動でラベル付けされ、ラベルが正しいことを保証するために手動で検証される。
  論文  参考訳（メタデータ） (2024-04-09T08:42:34Z)
• Learning a Patent-Informed Biomedical Knowledge Graph Reveals Technological Potential of Drug Repositioning Candidates [6.268435617836703]
  本研究では, 医薬品特許やバイオメディカルデータベースなど, さまざまな資料を解析するための新しいプロトコルを提案する。 薬物再配置候補を, 技術的可能性と科学的証拠の両方で同定する。 アルツハイマー病の症例研究は,その有効性と実現可能性を示している。
  論文  参考訳（メタデータ） (2023-09-04T02:30:19Z)
• A clustering and graph deep learning-based framework for COVID-19 drug repurposing [0.3359875577705538]
  本研究では,異種薬物データに基づく多機能型クラスタリングのためのグラフベースのオートエンコーダを用いた,教師なし機械学習フレームワークを提案する。 データセットは438種類の薬物で構成され、そのうち224種は新型コロナウイルスの臨床試験を受けている。 当フレームワークは,薬理学的特性,化学的・物理的性質,宿主との相互作用,各種の公開型COVID-19アッセイにおける有効性など,報告された薬物データに依存している。
  論文  参考訳（メタデータ） (2023-06-24T15:00:47Z)
• Drug Synergistic Combinations Predictions via Large-Scale Pre-Training and Graph Structure Learning [82.93806087715507]
  薬物併用療法は、より有効で安全性の低い疾患治療のための確立された戦略である。 ディープラーニングモデルは、シナジスティックな組み合わせを発見する効率的な方法として登場した。 我々のフレームワークは、他のディープラーニングベースの手法と比較して最先端の結果を達成する。
  論文  参考訳（メタデータ） (2023-01-14T15:07:43Z)
• ImDrug: A Benchmark for Deep Imbalanced Learning in AI-aided Drug Discovery [79.08833067391093]
  現実世界の医薬品のデータセットは、しばしば高度に不均衡な分布を示す。 ImDrugはオープンソースのPythonライブラリを備えたベンチマークで、4つの不均衡設定、11のAI対応データセット、54の学習タスク、16のベースラインアルゴリズムで構成されています。 ドラッグ発見パイプラインの幅広い範囲にまたがる問題やソリューションに対して、アクセス可能でカスタマイズ可能なテストベッドを提供する。
  論文  参考訳（メタデータ） (2022-09-16T13:35:57Z)
• SSM-DTA: Breaking the Barriers of Data Scarcity in Drug-Target Affinity Prediction [127.43571146741984]
  薬物標的親和性(DTA)は、早期の薬物発見において極めて重要である。 湿式実験は依然として最も信頼性の高い方法であるが、時間と資源が集中している。 既存の手法は主に、データ不足の問題に適切に対処することなく、利用可能なDTAデータに基づく技術開発に重点を置いている。 SSM-DTAフレームワークについて述べる。
  論文  参考訳（メタデータ） (2022-06-20T14:53:25Z)
• Deep learning for drug repurposing: methods, databases, and applications [54.08583498324774]
  新しい治療法のために既存の薬物を再利用することは、実験コストの低減で薬物開発を加速する魅力的な解決策である。 本稿では,薬物再資源化のための深層学習手法とツールの活用に関するガイドラインを紹介する。
  論文  参考訳（メタデータ） (2022-02-08T09:42:08Z)
• Machine Learning Applications for Therapeutic Tasks with Genomics Data [49.98249191161107]
  ゲノム学の機械学習応用に関する文献を、治療開発のレンズでレビューします。 治療パイプライン全体にわたるゲノミクス応用における22の機械学習を同定する。 この分野における7つの重要な課題を、拡大と影響の機会として挙げる。
  論文  参考訳（メタデータ） (2021-05-03T21:20:20Z)

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。