論文の概要: Generalizing Clinical Trials with Convex Hulls

• arxiv url: http://arxiv.org/abs/2111.13229v1
• Date: Thu, 25 Nov 2021 19:27:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2021-11-29 16:12:02.061585
• Title: Generalizing Clinical Trials with Convex Hulls
• Title（参考訳）: Convex Hulls を用いた一般臨床試験
• Authors: Eric V. Strobl, Thomas A. Lasko
• Abstract要約: OCH(Optimal Convex Hulls)と呼ばれるアルゴリズムを用いて観測データと試行データを同時に解析する。 OCHは条件付き期待の凸船体、条件付き密度の凸船体(混合船体とも呼ばれる)のどちらかで治療効果を表す。 OCHは、芸術的精度の状態を期待と密度の両方の観点から、治療効果を推定する。
• 参考スコア（独自算出の注目度）: 9.9624724132918
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Randomized clinical trials eliminate confounding but impose strict exclusion criteria that limit recruitment to a subset of the population. Observational datasets are more inclusive but suffer from confounding -- often providing overly optimistic estimates of treatment effect in practice. We therefore assume that the true treatment effect lies somewhere in between no treatment effect and the observational estimate, or in their convex hull. This assumption allows us to extrapolate results from exclusive trials to the broader population by analyzing observational and trial data simultaneously using an algorithm called Optimal Convex Hulls (OCH). OCH represents the treatment effect either in terms of convex hulls of conditional expectations or convex hulls (also known as mixtures) of conditional densities. The algorithm first learns the component expectations or densities using the observational data and then learns the linear mixing coefficients using trial data in order to approximate the true treatment effect; theory importantly explains why this linear combination should hold. OCH estimates the treatment effect in terms both expectations and densities with state of the art accuracy.
• Abstract（参考訳）: ランダム化された臨床試験は合併を排除するが、人口のサブセットに採用を制限する厳格な排他的基準を課す。 観測データセットはより包括的ではあるが、しばしば実際的な治療効果の過度に楽観的な見積もりを提供する、混乱に苦しむ。 したがって, 真の処理効果は, 治療効果と観察的推定の中間か, 凸包のどこかにあると仮定する。 この仮定は, 最適凸包 (och) と呼ばれるアルゴリズムを用いて観測データと試行データを同時に解析することにより, 排他的試行結果からより広い人口への推定を可能にする。 och は条件付き期待の凸包や条件付き密度の凸包(混合体としても知られる)のどちらかで処理効果を表す。 このアルゴリズムは、まず観測データを用いて成分の期待や密度を学習し、次に実際の処理効果を近似するために試行データを用いて線形混合係数を学習する。 OCHは、芸術的精度の状態を期待と密度の両方の観点から、治療効果を推定する。

関連論文リスト

• B-Learner: Quasi-Oracle Bounds on Heterogeneous Causal Effects Under Hidden Confounding [51.74479522965712]
  本稿では,B-Learnerと呼ばれるメタラーナーを提案する。 我々は、その推定が有効で、鋭く、効率的であることを証明し、既存の方法よりも一般的な条件下で構成推定器に対して準オーラル特性を持つことを示した。
  論文  参考訳（メタデータ） (2023-04-20T18:07:19Z)
• Falsification before Extrapolation in Causal Effect Estimation [6.715453431174765]
  個体群における因果関係は、しばしば観測データを用いて推定される。 本稿では,偏りのある観測推定を拒否するメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-09-27T21:47:23Z)
• Off-policy estimation of linear functionals: Non-asymptotic theory for semi-parametric efficiency [59.48096489854697]
  観測データに基づいて線形汎関数を推定する問題は、因果推論と包帯文献の両方において標準的である。 このような手順の平均二乗誤差に対して非漸近上界を証明した。 非漸近的局所ミニマックス下限をマッチングすることにより、有限標本のインスタンス依存最適性を確立する。
  論文  参考訳（メタデータ） (2022-09-26T23:50:55Z)
• Combining Observational and Randomized Data for Estimating Heterogeneous Treatment Effects [82.20189909620899]
  不均一な治療効果を推定することは、多くの領域において重要な問題である。 現在、現存するほとんどの作品は観測データにのみ依存している。 本稿では、大量の観測データと少量のランダム化データを組み合わせることで、不均一な処理効果を推定する。
  論文  参考訳（メタデータ） (2022-02-25T18:59:54Z)
• BITES: Balanced Individual Treatment Effect for Survival data [0.0]
  患者予後に対する介入の効果を推定することは、パーソナライズされた医療の重要な側面の1つである。 時間から時間までのデータは、治療最適化にはほとんど使われない。 我々は、治療特異的な半パラメトリックコックス損失と治療バランスの深いディープニューラルネットワークを組み合わせたBITESというアプローチを提案する。
  論文  参考訳（メタデータ） (2022-01-05T10:39:31Z)
• SurvITE: Learning Heterogeneous Treatment Effects from Time-to-Event Data [83.50281440043241]
  時系列データから不均一な処理効果を推定する問題について検討する。 本稿では,バランス表現に基づく治療特異的ハザード推定のための新しいディープラーニング手法を提案する。
  論文  参考訳（メタデータ） (2021-10-26T20:13:17Z)
• What can the millions of random treatments in nonexperimental data reveal about causes? [0.0]
  この記事ではこのようなモデルとベイズ的アプローチを紹介し、非経験的データで典型的に使用可能な 1(n2)$ のペアワイズ観測を組み合わせる。 提案手法は, 一般のnswサンプル, 任意のサブポピュレーションおよび大容量スーパーサンプルにおいて, 因果効果を回復することを示す。
  論文  参考訳（メタデータ） (2021-05-03T20:13:34Z)
• 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)
• Evaluating (weighted) dynamic treatment effects by double machine learning [0.12891210250935145]
  本研究では,データ駆動方式で動的処理の因果効果を評価する。 いわゆるNeyman-orthogonal score関数を用いて,中等度(局所的な)不特定性に対する治療効果推定の頑健さを示唆する。 推定子は正規に正規であり、特定の条件下では$sqrtn$-consistentであることを示す。
  論文  参考訳（メタデータ） (2020-12-01T09:55:40Z)
• High-Dimensional Feature Selection for Sample Efficient Treatment Effect Estimation [0.0]
  因果的データから因果的治療効果を推定することは因果的推論の根本的な問題である。 治療コホートにまたがる結果を含む共通の目的関数を提案する。 治療効果評価実験により,本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2020-11-03T19:54:16Z)
• 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)

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。