論文の概要: Targeted-BEHRT: Deep learning for observational causal inference on
longitudinal electronic health records
- arxiv url: http://arxiv.org/abs/2202.03487v1
- Date: Mon, 7 Feb 2022 20:05:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-10 07:42:37.627928
- Title: Targeted-BEHRT: Deep learning for observational causal inference on
longitudinal electronic health records
- Title（参考訳）: Targeted-BEHRT:縦型電子健康記録における観察因果推論のための深層学習
- Authors: Shishir Rao, Mohammad Mamouei, Gholamreza Salimi-Khorshidi, Yikuan Li,
Rema Ramakrishnan, Abdelaali Hassaine, Dexter Canoy, Kazem Rahimi
- Abstract要約: RCTが確立したNull causal associationの因果モデリングについて検討した。
本研究では,観測研究用データセットと変換器ベースモデルであるTargeted BEHRTと2倍のロバストな推定手法を開発した。
本モデルでは,高次元EHRにおけるリスク比推定のベンチマークと比較し,RRの精度の高い推定結果が得られた。
- 参考スコア（独自算出の注目度）: 1.3192560874022086
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Observational causal inference is useful for decision making in medicine when
randomized clinical trials (RCT) are infeasible or non generalizable. However,
traditional approaches fail to deliver unconfounded causal conclusions in
practice. The rise of "doubly robust" non-parametric tools coupled with the
growth of deep learning for capturing rich representations of multimodal data,
offers a unique opportunity to develop and test such models for causal
inference on comprehensive electronic health records (EHR). In this paper, we
investigate causal modelling of an RCT-established null causal association: the
effect of antihypertensive use on incident cancer risk. We develop a dataset
for our observational study and a Transformer-based model, Targeted BEHRT
coupled with doubly robust estimation, we estimate average risk ratio (RR). We
compare our model to benchmark statistical and deep learning models for causal
inference in multiple experiments on semi-synthetic derivations of our dataset
with various types and intensities of confounding. In order to further test the
reliability of our approach, we test our model on situations of limited data.
We find that our model provides more accurate estimates of RR (least sum
absolute error from ground truth) compared to benchmarks for risk ratio
estimation on high-dimensional EHR across experiments. Finally, we apply our
model to investigate the original case study: antihypertensives' effect on
cancer and demonstrate that our model generally captures the validated null
association.
- Abstract（参考訳）: 観察因果推論は、ランダム化臨床試験(RCT)が無効または一般化できない場合に、医学における意思決定に有用である。
しかし、伝統的なアプローチは、実際には根拠のない因果的結論を出すことができない。
二重ロバストな」非パラメトリックツールの台頭と、マルチモーダルデータのリッチな表現を捉えるためのディープラーニングの成長は、包括的な電子健康記録(ehr)上で因果推論のためのモデルを開発し、テストするためのユニークな機会を提供する。
本稿では,RCTが確立したNull causal associationの因果モデリングについて検討する。
我々は,我々の観測研究のためのデータセットと,2倍のロバストな推定を併用したトランスフォーマーモデルを構築し,平均リスク比(rr)を推定した。
本モデルと統計モデルと深層学習モデルを比較し,データセットの半合成導出実験における因果推論について,各種の型と組合せの強度について検討した。
提案手法の信頼性をさらに検証するため,限られたデータの状況においてモデルをテストする。
本モデルは,高次元ehrにおけるリスク比推定のためのベンチマークと比較し,rr (least sum absolute error from ground truth) を精度良く推定できることを見出した。
最後に,本モデルを用いて,がんに対する降圧薬の効果を検証し,本モデルが一般的に有効なヌル結合を捉えることを実証した。
関連論文リスト
- Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。
また,死亡率と臓器不全の関連性について有意な知見が得られた。
論文 参考訳（メタデータ） (2024-07-28T02:42:36Z) - Towards a Transportable Causal Network Model Based on Observational
Healthcare Data [1.333879175460266]
本稿では,選択図,不足グラフ,因果発見,事前知識を1つのグラフィカルモデルに組み合わせた新しい手法を提案する。
このモデルは、患者の2つの異なるコホートからなるデータから学習する。
結果として得られた因果ネットワークモデルは、リスク評価、正確性、説明可能性の観点から専門家臨床医によって検証される。
論文 参考訳（メタデータ） (2023-11-13T13:23:31Z) - MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data
Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。
トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。
ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文 参考訳（メタデータ） (2023-10-04T01:36:30Z) - Deep Stable Representation Learning on Electronic Health Records [8.256340233221112]
CHE(Causal Healthcare Embedding)は、診断と処置の依存関係を取り除くことで、突発的な統計的関係を取り除くことを目的としている。
提案手法は,既存の深層学習モデルをEHR上で拡張可能な,フレキシブルなプラグアンドプレイモジュールとして利用できる。
論文 参考訳（メタデータ） (2022-09-03T04:10:45Z) - SurvLatent ODE : A Neural ODE based time-to-event model with competing
risks for longitudinal data improves cancer-associated Deep Vein Thrombosis
(DVT) prediction [68.8204255655161]
本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。
そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。
SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
論文 参考訳（メタデータ） (2022-04-20T17:28:08Z) - Statistical quantification of confounding bias in predictive modelling [0.0]
未確立モデルと完全構築モデルのnull仮説を探索する部分的および完全共創テストを提案する。
このテストは、非正規および非線形依存の予測であっても、I型エラーと高い統計的パワーに対して厳格な制御を提供する。
論文 参考訳（メタデータ） (2021-11-01T10:35:24Z) - Harmonization with Flow-based Causal Inference [12.739380441313022]
本稿では, 医療データを調和させる構造因果モデル (SCM) に対して, 反実的推論を行う正規化フローに基づく手法を提案する。
我々は,この手法が最先端のアルゴリズムよりもドメイン間一般化に寄与することを示すために,複数の,大規模な実世界の医療データセットを評価した。
論文 参考訳（メタデータ） (2021-06-12T19:57:35Z) - Bootstrapping Your Own Positive Sample: Contrastive Learning With
Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。
EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。
私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文 参考訳（メタデータ） (2021-04-07T06:02:04Z) - UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced
Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。
UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。
非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。
UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文 参考訳（メタデータ） (2020-10-22T02:28:11Z) - A General Framework for Survival Analysis and Multi-State Modelling [70.31153478610229]
ニューラル常微分方程式を多状態生存モデル推定のためのフレキシブルで一般的な方法として用いる。
また,本モデルでは,サバイバルデータセット上での最先端性能を示すとともに,マルチステート環境での有効性を示す。
論文 参考訳（メタデータ） (2020-06-08T19:24:54Z)
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。