論文の概要: Enhancing Causal Estimation through Unlabeled Offline Data

• arxiv url: http://arxiv.org/abs/2202.07895v1
• Date: Wed, 16 Feb 2022 07:02:42 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-17 15:32:55.299349
• Title: Enhancing Causal Estimation through Unlabeled Offline Data
• Title（参考訳）: ラベルなしオフラインデータによる因果推定の強化
• Authors: Ron Teichner, Ron Meir, Danny Eitan
• Abstract要約: 患者の診断と治療に強い影響を及ぼす未測定の生理的変数について検討したい。 集中的なオフライン情報は、現在の患者と部分的に関係のある以前の患者についてのみ利用可能である。 提案手法は3段階からなる: (i) 非因果推定器と因果推定器の両方を作成するために、豊富なオフラインデータを使用する。 オフラインデータが新しい観測に部分的にのみ関係している状況において、この手法が(医療的でない)実世界のタスクに対して有効であることを示す。
• 参考スコア（独自算出の注目度）: 7.305019142196583
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Consider a situation where a new patient arrives in the Intensive Care Unit (ICU) and is monitored by multiple sensors. We wish to assess relevant unmeasured physiological variables (e.g., cardiac contractility and output and vascular resistance) that have a strong effect on the patients diagnosis and treatment. We do not have any information about this specific patient, but, extensive offline information is available about previous patients, that may only be partially related to the present patient (a case of dataset shift). This information constitutes our prior knowledge, and is both partial and approximate. The basic question is how to best use this prior knowledge, combined with online patient data, to assist in diagnosing the current patient most effectively. Our proposed approach consists of three stages: (i) Use the abundant offline data in order to create both a non-causal and a causal estimator for the relevant unmeasured physiological variables. (ii) Based on the non-causal estimator constructed, and a set of measurements from a new group of patients, we construct a causal filter that provides higher accuracy in the prediction of the hidden physiological variables for this new set of patients. (iii) For any new patient arriving in the ICU, we use the constructed filter in order to predict relevant internal variables. Overall, this strategy allows us to make use of the abundantly available offline data in order to enhance causal estimation for newly arriving patients. We demonstrate the effectiveness of this methodology on a (non-medical) real-world task, in situations where the offline data is only partially related to the new observations. We provide a mathematical analysis of the merits of the approach in a linear setting of Kalman filtering and smoothing, demonstrating its utility.
• Abstract（参考訳）: 集中治療室(ICU)に新しい患者が到着し、複数のセンサーで監視される状況を考える。 患者の診断や治療に強い影響を持つ非測定的生理学的変数(心収縮性,出力,血管抵抗性など)について検討したい。 この特定の患者に関する情報は得られていないが、現在の患者(データセットシフトの場合)と部分的に関係している可能性がある以前の患者について広範なオフライン情報が得られる。 この情報は私たちの事前の知識であり、部分的かつ近似的です。 基本的な問題は、この先行知識をオンライン患者データと組み合わせて、現在の患者を最も効果的に診断する方法である。 提案するアプローチは3つの段階からなる。 (i)無防備なオフラインデータを用いて、関連する無測定の生理変数の非因果推定器と因果推定器の両方を作成する。 (ii)非陰影推定器と新しい患者群からの一連の測定に基づいて,この新しい患者群に対する隠れた生理学的変数の予測において高い精度を提供する因果フィルタを構築した。 (iii) icuに到達した新規患者に対しては, 構築フィルタを用いて関連する内部変数を予測する。 この戦略により,新たに来院した患者の因果推定を向上させるため,利用可能なオフラインデータの利用が可能となった。 オフラインデータが新しい観測に部分的にのみ関係している状況において、この手法が(医療的でない)実世界のタスクに対して有効であることを示す。 カルマンフィルタリングと平滑化の線形設定におけるアプローチのメリットを数学的に解析し,その有用性を示す。

関連論文リスト

• 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)
• Hypergraph Convolutional Networks for Fine-grained ICU Patient Similarity Analysis and Risk Prediction [15.06049250330114]
  集中治療ユニット(ICU、Intensive Care Unit)は、重篤な患者を認め、継続的な監視と治療を提供する病院の最も重要な部分の1つである。 臨床意思決定における医療従事者を支援するために,様々な患者結果予測手法が試みられている。
  論文  参考訳（メタデータ） (2023-08-24T05:26:56Z)
• Enabling scalable clinical interpretation of ML-based phenotypes using real world data [0.0]
  本研究では,大規模なERHデータセットを用いて患者層化分析を行う手法について検討した。 本研究は, 患者層分類結果の臨床的評価と解釈を容易にするためのいくつかのツールを開発した。
  論文  参考訳（メタデータ） (2022-08-02T17:31:03Z)
• Adherence Forecasting for Guided Internet-Delivered Cognitive Behavioral Therapy: A Minimally Data-Sensitive Approach [59.535699822923]
  インターネット提供型心理的治療(IDPT)は、メンタルヘルスのアクセシビリティを向上させるための効果的でスケーラブルな経路であると考えられている。 本研究は,最小限の敏感なログイン/ログアウトデータに依存しながら,自動アドバンス予測を行うディープラーニングアプローチを提案する。 提案されたセルフアテンションネットワークは、治療期間の1/3が経過した時点で、平均的バランスの正確さを70%以上達成した。
  論文  参考訳（メタデータ） (2022-01-11T13:55:57Z)
• Predicting Patient Readmission Risk from Medical Text via Knowledge Graph Enhanced Multiview Graph Convolution [67.72545656557858]
  本稿では,電子健康記録の医用テキストを予測に用いる新しい手法を提案する。 外部知識グラフによって強化された多視点グラフを有する患者の退院サマリーを表現している。 実験により,本手法の有効性が証明され,最先端の性能が得られた。
  論文  参考訳（メタデータ） (2021-12-19T01:45:57Z)
• 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)
• Sequential Diagnosis Prediction with Transformer and Ontological Representation [35.88195694025553]
  本稿では,患者が訪問する時間スタンプと滞在時間との間に不規則な間隔を対応させるSETORと呼ばれる,エンドツーエンドの頑健なトランスフォーマーモデルを提案する。 2つの実世界の医療データセットで実施された実験により、シーケンシャルな診断予測モデルSETORは、従来の最先端のアプローチよりも優れた予測結果が得られることが示された。
  論文  参考訳（メタデータ） (2021-09-07T13:09:55Z)
• Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
  臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。 退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。 複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
  論文  参考訳（メタデータ） (2021-02-08T10:26:44Z)
• Longitudinal modeling of MS patient trajectories improves predictions of disability progression [2.117653457384462]
  本研究は, 実世界の患者データから情報を最適に抽出する作業に対処する。 本研究では,患者軌跡モデリングに適した機械学習手法を用いることで,患者の障害進行を2年間の地平線で予測できることを示す。 文献で利用可能なモデルと比較して、この研究はMS病の進行予測に最も完全な患者履歴を使用する。
  論文  参考訳（メタデータ） (2020-11-09T20:48:00Z)
• BiteNet: Bidirectional Temporal Encoder Network to Predict Medical Outcomes [53.163089893876645]
  本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。 エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。 実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
  論文  参考訳（メタデータ） (2020-09-24T00:42:36Z)
• Segmentation analysis and the recovery of queuing parameters via the Wasserstein distance: a study of administrative data for patients with chronic obstructive pulmonary disease [0.0]
  この研究は、慢性閉塞性肺疾患(COPD)患者のリソース要求がどのように変化するかを分析するために、データ駆動型アプローチを用いている。 これは、セグメント化、運用キューイング理論、不完全データからのパラメータの回復という、しばしば異なる分析様式の新たな組み合わせで構成されている。
  論文  参考訳（メタデータ） (2020-08-10T17:47:34Z)

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。