論文の概要: BITES: Balanced Individual Treatment Effect for Survival data
- arxiv url: http://arxiv.org/abs/2201.03448v1
- Date: Wed, 5 Jan 2022 10:39:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-16 16:04:15.823476
- Title: BITES: Balanced Individual Treatment Effect for Survival data
- Title（参考訳）: BITES:生存データに対するバランス付き個別治療効果
- Authors: Stefan Schrod, Andreas Sch\"afer, Stefan Solbrig, Robert Lohmayer,
Wolfram Gronwald, Peter J. Oefner, Tim Bei{\ss}barth, Rainer Spang, Helena U.
Zacharias, Michael Altenbuchinger
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Estimating the effects of interventions on patient outcome is one of the key
aspects of personalized medicine. Their inference is often challenged by the
fact that the training data comprises only the outcome for the administered
treatment, and not for alternative treatments (the so-called counterfactual
outcomes). Several methods were suggested for this scenario based on
observational data, i.e.~data where the intervention was not applied randomly,
for both continuous and binary outcome variables. However, patient outcome is
often recorded in terms of time-to-event data, comprising right-censored event
times if an event does not occur within the observation period. Albeit their
enormous importance, time-to-event data is rarely used for treatment
optimization.
We suggest an approach named BITES (Balanced Individual Treatment Effect for
Survival data), which combines a treatment-specific semi-parametric Cox loss
with a treatment-balanced deep neural network; i.e.~we regularize differences
between treated and non-treated patients using Integral Probability Metrics
(IPM). We show in simulation studies that this approach outperforms the state
of the art. Further, we demonstrate in an application to a cohort of breast
cancer patients that hormone treatment can be optimized based on six routine
parameters. We successfully validated this finding in an independent cohort.
BITES is provided as an easy-to-use python implementation.
- Abstract（参考訳）: 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一つである。
それらの推測は、訓練データが治療結果のみを含み、代替治療(いわゆる偽善的結果)には含まれないという事実によってしばしば疑問視される。
このシナリオでは、連続変数とバイナリ変数の両方に対して、介入がランダムに適用されないデータなど、観測データに基づいていくつかの方法が提案されている。
しかし、観測期間内にイベントが発生しない場合の右室イベント時間を含む、時間と時間のデータで患者結果が記録されることが多い。
その重要性は大きいが、処理最適化に時間からイベントまでのデータが使われることは滅多にない。
我々は,治療に特有の半パラメトリックなcox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 (balanced individual treatment effect for survival data) というアプローチを提案する。
シミュレーション研究では、このアプローチが芸術の状態を上回っていることを示します。
さらに, 乳癌患者のコホートに対して, 6つの日常的パラメータに基づいてホルモン治療を最適化できることを示す。
我々はこの発見を独立したコホートで検証した。
BITESは使いやすいpython実装として提供されている。
関連論文リスト
- Accounting For Informative Sampling When Learning to Forecast Treatment
Outcomes Over Time [66.08455276899578]
適切な基準を満たさない場合,情報サンプリングは治療結果の正確な推定を禁止できることが示唆された。
逆強度重み付けを用いた情報サンプリングの存在下での処理結果を学習するための一般的な枠組みを提案する。
本稿では,ニューラルCDEを用いてこのフレームワークをインスタンス化する新しい手法であるTESAR-CDEを提案する。
論文 参考訳（メタデータ） (2023-06-07T08:51:06Z) - TCFimt: Temporal Counterfactual Forecasting from Individual Multiple
Treatment Perspective [50.675845725806724]
個別多面的治療の観点からの時間的対実予測の包括的枠組み(TCFimt)を提案する。
TCFimtは、選択と時間変化バイアスを軽減するためにSeq2seqフレームワークの逆タスクを構築し、比較学習ベースのブロックを設計し、混合処理効果を分離した主治療効果と因果相互作用に分解する。
提案手法は, 特定の治療法による今後の結果予測と, 最先端手法よりも最適な治療タイプとタイミングを選択する上で, 良好な性能を示す。
論文 参考訳（メタデータ） (2022-12-17T15:01:05Z) - To Impute or not to Impute? -- Missing Data in Treatment Effect
Estimation [84.76186111434818]
我々は,MCM(Mixed Con founded missingness)と呼ばれる新しい欠損機構を同定し,ある欠損度が治療選択を判断し,他の欠損度が治療選択によって決定されることを示した。
本研究は,全てのデータを因果的に入力すると,不偏推定を行うために必要な情報を効果的に除去するので,処理効果のモデルが貧弱になることを示す。
私たちのソリューションは選択的計算であり、CMMからの洞察を使って、どの変数をインプットすべきで、どの変数をインプットすべきでないかを正確に知らせる。
論文 参考訳（メタデータ） (2022-02-04T12:08:31Z) - 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) - Sequential Deconfounding for Causal Inference with Unobserved
Confounders [18.586616164230566]
個別化治療効果を時間とともに推定する手法であるSequential Deconfounderを開発した。
これは、一般的なシーケンシャルな設定で使用できる最初の分解方法である。
本手法は, 経時的に個々の治療反応を偏りなく推定できることを実証する。
論文 参考訳（メタデータ） (2021-04-16T09:56:39Z) - 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) - Split-Treatment Analysis to Rank Heterogeneous Causal Effects for
Prospective Interventions [15.443178111068418]
本研究は,予防的介入の可能性が最も高い個人をランク付けする分割処理分析法を提案する。
プロキシ処理に基づく異種因果効果のランキングは,対象治療の効果に基づく順位と同じであることを示す。
論文 参考訳（メタデータ） (2020-11-11T16:17:29Z) - 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 heterogeneous survival treatment effect in observational data
using machine learning [9.951103976634407]
観測データにおける不均一な処理効果を推定する方法は, 連続的あるいは二分的な結果に大きく焦点を絞っている。
対物的フレームワークで柔軟な機械学習手法を使用することは、複雑な個人特性による課題に対処するための有望なアプローチである。
論文 参考訳（メタデータ） (2020-08-17T01:02:14Z) - 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。