論文の概要: ESCADA: Efficient Safety and Context Aware Dose Allocation for Precision Medicine

• arxiv url: http://arxiv.org/abs/2111.13415v1
• Date: Fri, 26 Nov 2021 10:36:57 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-29 17:17:03.489237
• Title: ESCADA: Efficient Safety and Context Aware Dose Allocation for Precision Medicine
• Title（参考訳）: ESCADA: 高精度医療のための安全とコンテキストを考慮したドーズアロケーション
• Authors: Ilker Demirel, Ahmet Alparslan Celik, Cem Tekin
• Abstract要約: 最適な個別化された治療体制を見つけることは、最も困難な精密医療問題の一つである。 本稿では,この問題構造に対する汎用アルゴリズムであるESCADAを提案する。 我々は、安全保証とともに、ESCADAの後悔に基づく高い確率上限を導出する。
• 参考スコア（独自算出の注目度）: 9.023847175654602
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Finding an optimal individualized treatment regimen is considered one of the most challenging precision medicine problems. Various patient characteristics influence the response to the treatment, and hence, there is no one-size-fits-all regimen. Moreover, the administration of even a single unsafe dose during the treatment can have catastrophic consequences on patients' health. Therefore, an individualized treatment model must ensure patient {\em safety} while {\em efficiently} optimizing the course of therapy. In this work, we study a prevalent and essential medical problem setting where the treatment aims to keep a physiological variable in a range, preferably close to a target level. Such a task is relevant in numerous other domains as well. We propose ESCADA, a generic algorithm for this problem structure, to make individualized and context-aware optimal dose recommendations while assuring patient safety. We derive high probability upper bounds on the regret of ESCADA along with safety guarantees. Finally, we make extensive simulations on the {\em bolus insulin dose} allocation problem in type 1 diabetes mellitus disease and compare ESCADA's performance against Thompson sampling's, rule-based dose allocators', and clinicians'.
• Abstract（参考訳）: 最適な個別化治療体制を見つけることは、最も困難な精密医療問題の一つである。 様々な患者特性が治療に対する反応に影響を与え、そのため1サイズ以上の治療は行われない。 さらに、治療中の1回の安全でない投与でさえ、患者の健康に破滅的な結果をもたらす可能性がある。 したがって、個別化された治療モデルでは、治療過程を最適化しながら患者の安全を確保する必要がある。 本研究は,生理的変数を目標レベルに近い範囲に保持することを目的とした,広く,かつ必須の医療的問題の設定について検討する。 このようなタスクは、他の多くのドメインにも関係している。 そこで本研究では, 患者安全を保証しつつ, 個別化および文脈対応の最適な線量推奨を行うための汎用アルゴリズムであるescadaを提案する。 我々は、安全保証とともに、ESCADAの後悔に基づく高い確率上限を導出する。 最後に, 糖尿病1型糖尿病におけるインスリン摂取量配分問題について広範なシミュレーションを行い, ESCADAとトンプソンサンプリング, ルールベース投与量アロケータ, 臨床医のパフォーマンスを比較した。

関連論文リスト

• Quantifying Aleatoric Uncertainty of the Treatment Effect: A Novel Orthogonal Learner [72.20769640318969]
  医療の安全性と有効性を理解するためには,観測データから因果量の推定が重要である。 医療従事者は、平均因果量の推定だけでなく、治療効果のランダム性をランダムな変数として理解する必要がある。 このランダム性はアレタリック不確実性と呼ばれ、治療効果の利益や量子化の確率を理解するために必要である。
  論文  参考訳（メタデータ） (2024-11-05T18:14:49Z)
• Privacy Preserving Adaptive Experiment Design [13.839525385976303]
  社会的福祉の喪失と統計的権力とのトレードオフを文脈的盗賊実験で検討する。 プライバシが"ほぼ無償"であることを示す,下位境界にマッチする差分プライベートアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-01-16T09:22:12Z)
• Safe and Interpretable Estimation of Optimal Treatment Regimes [54.257304443780434]
  我々は、最適な治療体制を特定するための安全かつ解釈可能な枠組みを運用する。 本研究は患者の医療歴と薬理学的特徴に基づくパーソナライズされた治療戦略を支援する。
  論文  参考訳（メタデータ） (2023-10-23T19:59:10Z)
• High Dimensional Causal Inference with Variational Backdoor Adjustment [57.31312942774617]
  我々は,高次元治療と共同設立者のバックドア調整のための生成的モデリングアプローチを採っている。 半合成X線医療データを含む多種多様な高次元環境における介入可能性の推定が可能となる。
  論文  参考訳（メタデータ） (2023-10-09T19:21:41Z)
• Adaptive Semi-Supervised Inference for Optimal Treatment Decisions with Electronic Medical Record Data [18.77246683875067]
  最適な治療体制は、最も全体的な臨床効果が期待されるものとなり、多くの注目を集めている。 半教師付き環境下での電子カルテデータによる最適治療体制の推定について検討する。
  論文  参考訳（メタデータ） (2022-03-04T13:54:35Z)
• Policy Learning for Optimal Individualized Dose Intervals [3.9801611649762263]
  このような政策を推定する新しい手法を提案する。 推定された政策は一貫しており、そのリスクはルートnレートで最良クラスの政策に収束する。
  論文  参考訳（メタデータ） (2022-02-24T17:59:20Z)
• Optimal discharge of patients from intensive care via a data-driven policy learning framework [58.720142291102135]
  退院課題は、退院期間の短縮と退院決定後の退院や死亡のリスクとの不確実なトレードオフに対処することが重要である。 本研究は、このトレードオフを捉えるためのエンドツーエンドの汎用フレームワークを導入し、最適放電タイミング決定を推奨する。 データ駆動型アプローチは、患者の生理的状態を捉えた同種で離散的な状態空間表現を導出するために用いられる。
  論文  参考訳（メタデータ） (2021-12-17T04:39:33Z)
• SDF-Bayes: Cautious Optimism in Safe Dose-Finding Clinical Trials with Drug Combinations and Heterogeneous Patient Groups [84.63561578944183]
  本稿では,薬物の最大許容量(MTD)を臨床試験で検索するための新しいベイズ設計であるSDF-Bayesを提案する。 SDF-Bayesは、1つの薬物の現在の投与量をエスカレートまたは脱エスカレートする従来の原則ではなく、慎重な楽観主義によって進行する。 合成データセットと実世界データセットの両方に基づく広範な実験は、最先端のDC試験設計よりもSDFベイズの利点を示しています。
  論文  参考訳（メタデータ） (2021-01-26T18:59:26Z)
• Kernel Assisted Learning for Personalized Dose Finding [20.52632915107782]
  個別化線量規則は、患者レベル情報に基づいて、連続した安全な線量範囲内の線量レベルを推奨する。 本稿では,最適な個別化線量規則を推定するためのカーネル支援学習法を提案する。
  論文  参考訳（メタデータ） (2020-07-19T23:03:26Z)
• DTR Bandit: Learning to Make Response-Adaptive Decisions With Low Regret [59.81290762273153]
  動的治療体制 (DTR) はパーソナライズされ適応された多段階の治療計画であり、治療決定を個人の初期特徴に適応させ、その後の各段階における中間結果と特徴に適応させる。 本稿では,探索と搾取を慎重にバランスさせることで,遷移モデルと報酬モデルが線形である場合に,速度-最適後悔を実現する新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-05-06T13:03:42Z)

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。