論文の概要: Quantifying Inequality in Underreported Medical Conditions
- arxiv url: http://arxiv.org/abs/2110.04133v1
- Date: Fri, 8 Oct 2021 13:42:38 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-11 18:26:52.255315
- Title: Quantifying Inequality in Underreported Medical Conditions
- Title(参考訳): 未報告医療条件における不平等の定量化
- Authors: Divya Shanmugam, Emma Pierson
- Abstract要約: 医療状況の評価は、医療と公衆衛生の基本的な問題である。
報告されていない医療状況の相対的有病率を正確に推定する方法を提供する。
- 参考スコア(独自算出の注目度): 2.414925069063636
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Estimating the prevalence of a medical condition, or the proportion of the
population in which it occurs, is a fundamental problem in healthcare and
public health. Accurate estimates of the relative prevalence across groups --
capturing, for example, that a condition affects women more frequently than men
-- facilitate effective and equitable health policy which prioritizes groups
who are disproportionately affected by a condition. However, it is difficult to
estimate relative prevalence when a medical condition is underreported. In this
work, we provide a method for accurately estimating the relative prevalence of
underreported medical conditions, building upon the positive unlabeled learning
framework. We show that under the commonly made covariate shift assumption --
i.e., that the probability of having a disease conditional on symptoms remains
constant across groups -- we can recover the relative prevalence, even without
restrictive assumptions commonly made in positive unlabeled learning and even
if it is impossible to recover the absolute prevalence. We provide a suite of
experiments on synthetic and real health data that demonstrate our method's
ability to recover the relative prevalence more accurately than do baselines,
and the method's robustness to plausible violations of the covariate shift
assumption.
- Abstract(参考訳): 健康状態の有病率、またはその発生人口の割合を推定することは、医療や公衆衛生において根本的な問題である。
集団間の相対的な有病率の正確な推定(例えば、状態が男性よりも女性に頻繁に影響を及ぼす)は、不均等に影響を受けるグループを優先する効果的で公平な健康政策を促進する。
しかし, 医療状況が低い場合, 相対的な有病率の推定は困難である。
本研究は、ポジティブなラベルなし学習枠組みに基づいて、報告不足の医療疾患の相対的有病率を精度良く推定する方法を提案する。
一般に行われている共変量シフトの仮定では、集団間で症状条件が一定である確率は一定であり、正の未ラベル学習において一般的に行われる限定的な仮定がなくても、絶対的な有病率の回復が不可能であっても、相対的な有病率を回復できることを示す。
我々は,本手法が基準値よりも精度良く相対有病率を回復できることを示すための,合成および実健康データに関する一連の実験と,共変量シフト仮定の妥当な違反に対する手法の堅牢性を示す。
関連論文リスト
- On Practical Aspects of Aggregation Defenses against Data Poisoning
Attacks [58.718697580177356]
悪意のあるトレーニングサンプルを持つディープラーニングモデルに対する攻撃は、データ中毒として知られている。
データ中毒に対する防衛戦略の最近の進歩は、認証された毒性の堅牢性を達成するためのアグリゲーション・スキームの有効性を強調している。
ここでは、Deep Partition Aggregation(ディープ・パーティション・アグリゲーション・アグリゲーション)、代表的アグリゲーション・ディフェンス(アグリゲーション・ディフェンス)に焦点を当て、効率、性能、堅牢性など、その実践的側面を評価する。
論文 参考訳(メタデータ) (2023-06-28T17:59:35Z) - Counterfactual Generative Models for Time-Varying Treatments [15.208067770012283]
公衆衛生・臨床科学における意思決定には, 治療の非現実的な結果の推定が不可欠である。
そこで本研究では, 時間変化処理下で, 反実例を生成できる新しい条件生成フレームワークを提案する。
合成データと実世界のデータの両方を用いて,本手法の徹底的な評価を行う。
論文 参考訳(メタデータ) (2023-05-25T05:45:53Z) - Robust and Agnostic Learning of Conditional Distributional Treatment
Effects [62.44901952244514]
条件平均治療効果(CATE)は、個々の因果効果の最適点予測である。
集約分析では、通常は分布処理効果(DTE)の測定によって対処される。
我々は,多種多様な問題に対して条件付きDTE(CDTE)を学習するための,新しい堅牢でモデルに依存しない手法を提供する。
論文 参考訳(メタデータ) (2022-05-23T17:40:31Z) - Treatment Effect Risk: Bounds and Inference [58.442274475425144]
平均的な治療効果は社会福祉の変化を測定するため、たとえ肯定的であっても、人口の約10%に悪影響を及ぼすリスクがある。
本稿では,ICT分布のリスク条件値(CVaR)として定式化されたこの重要なリスク尺度をどう評価するかを検討する。
いくつかの境界は、複素CATE関数を単一の計量に要約したものと解釈することもでき、有界であることとは無関係に興味を持つ。
論文 参考訳(メタデータ) (2022-01-15T17:21:26Z) - Tracking disease outbreaks from sparse data with Bayesian inference [55.82986443159948]
新型コロナウイルス(COVID-19)のパンデミックは、感染発生時の感染率を推定する新たな動機を与える。
標準的な手法は、より細かいスケールで共通する部分的な観測可能性とスパースなデータに対応するのに苦労する。
原理的に部分観測可能なベイズ的枠組みを提案する。
論文 参考訳(メタデータ) (2020-09-12T20:37:33Z) - 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) - Conformal Inference of Counterfactuals and Individual Treatment Effects [6.810856082577402]
そこで本研究では,反ファクトや個々の治療効果について,信頼できる間隔を推定できる共形推論に基づく手法を提案する。
既存の手法は、単純なモデルであってもかなりのカバレッジの欠陥に悩まされる。
論文 参考訳(メタデータ) (2020-06-11T01:03:32Z) - Predictive Modeling of ICU Healthcare-Associated Infections from
Imbalanced Data. Using Ensembles and a Clustering-Based Undersampling
Approach [55.41644538483948]
本研究は,集中治療室における危険因子の同定と医療関連感染症の予測に焦点をあてる。
感染発生率の低減に向けた意思決定を支援することを目的とする。
論文 参考訳(メタデータ) (2020-05-07T16:13:12Z) - Hurtful Words: Quantifying Biases in Clinical Contextual Word Embeddings [16.136832979324467]
本研究は,MIMIC-III 病院データセットから医療用ノートにディープ埋め込みモデル(BERT)を事前訓練する。
文脈的単語埋め込みによって捉えられる危険な潜伏関係を同定する。
我々は,50以上の下流臨床予測課題において,フェアネスの定義の異なる性能ギャップを評価する。
論文 参考訳(メタデータ) (2020-03-11T23:21:14Z)
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。