論文の概要: Counterfactual Phenotyping with Censored Time-to-Events
- arxiv url: http://arxiv.org/abs/2202.11089v1
- Date: Tue, 22 Feb 2022 18:34:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-23 15:41:44.128942
- Title: Counterfactual Phenotyping with Censored Time-to-Events
- Title（参考訳）: 時間-事象の知覚による擬似表現
- Authors: Chirag Nagpal, Mononito Goswami, Keith Dufendach and Artur Dubrawski
- Abstract要約: 本研究では,不均一な治療効果をモデル化するための潜時変動的アプローチを提案し,応答特性の異なる潜時クラスターの1つに個体が属することを提案する。
この潜伏構造は, 生存率を媒介し, 介入効果の判定に有効であることを示す。
- 参考スコア（独自算出の注目度）: 18.10004502065758
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Estimation of treatment efficacy of real-world clinical interventions
involves working with continuous outcomes such as time-to-death,
re-hospitalization, or a composite event that may be subject to censoring.
Causal reasoning in such scenarios requires decoupling the effects of
confounding physiological characteristics that affect baseline survival rates
from the effects of the interventions being assessed. In this paper, we present
a latent variable approach to model heterogeneous treatment effects by
proposing that an individual can belong to one of latent clusters with distinct
response characteristics. We show that this latent structure can mediate the
base survival rates and helps determine the effects of an intervention. We
demonstrate the ability of our approach to discover actionable phenotypes of
individuals based on their treatment response on multiple large randomized
clinical trials originally conducted to assess appropriate treatments to reduce
cardiovascular risk.
- Abstract（参考訳）: 実世界臨床介入の治療効果の推定には、死亡までの時間や再病院化、あるいは検閲の対象となる可能性のある複合事象などの継続的な成果に取り組むことが含まれる。
このようなシナリオにおける因果推論は、評価される介入の効果からベースライン生存率に影響を与える、相反する生理的特徴の影響を分離する必要がある。
本稿では,個人が異なる応答特性を持つ潜在クラスターに属することができることを示すことにより,不均質な処理効果をモデル化する潜在変数アプローチを提案する。
この潜伏構造は生存率を媒介し,介入の効果を決定するのに有効であることを示す。
本研究は,多種多彩なランダム化臨床試験を対象とし,心血管疾患のリスクを軽減するための適切な治療法の評価を行った。
関連論文リスト
- Higher-Order Causal Message Passing for Experimentation with Complex Interference [6.092214762701847]
本研究では、因果的メッセージパッシングに基づく新しい推定器のクラスを導入し、広範で未知な干渉のある設定に特化して設計する。
我々の推定器は、サンプルの平均値と時間とともに単位結果と処理のばらつきから情報を抽出し、観測データの効率的な利用を可能にする。
論文 参考訳（メタデータ） (2024-11-01T18:00:51Z) - A Bayesian Classification Trees Approach to Treatment Effect Variation with Noncompliance [0.5356944479760104]
非準拠のランダム化試験における様々な治療効果を推定することは本質的に困難である。
既存の柔軟な機械学習手法は、弱い楽器の問題に非常に敏感である。
非準拠シナリオにおける二値応答変数に対するベイジアン因果フォレストモデルを提案する。
論文 参考訳（メタデータ） (2024-08-14T18:33:55Z) - The Blessings of Multiple Treatments and Outcomes in Treatment Effect
Estimation [53.81860494566915]
既存の研究では、プロキシ変数や複数の処理を利用してバイアスを補正している。
多くの実世界のシナリオでは、複数の結果に対する影響を研究することにより大きな関心がある。
この設定に関わる複数の結果の並列研究は、因果同定において互いに助け合うことが示されている。
論文 参考訳（メタデータ） (2023-09-29T14:33:48Z) - Recovering Sparse and Interpretable Subgroups with Heterogeneous
Treatment Effects with Censored Time-to-Event Outcomes [14.928328404160299]
本研究では,スパース表現群(またはサブタイプ)の回復に対する統計的アプローチを提案する。
そこで本研究では, 循環器系医療における重要な臨床研究において, スパース表現型を回収するための新しい推論手法を提案し, その有効性を示した。
論文 参考訳（メタデータ） (2023-02-24T08:10:23Z) - 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) - Benchmarking Heterogeneous Treatment Effect Models through the Lens of
Interpretability [82.29775890542967]
治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。
ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。
我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
論文 参考訳（メタデータ） (2022-06-16T17:59:05Z) - Disentangled Counterfactual Recurrent Networks for Treatment Effect
Inference over Time [71.30985926640659]
本稿では,DCRN(Disentangled Counterfactual Recurrent Network)を提案する。
時間とともに治療効果の因果構造に完全にインスパイアされたアーキテクチャでは、予測精度と疾患理解が向上する。
実データとシミュレーションデータの両方において,DCRNが処理応答予測の最先端手法より優れていることを示す。
論文 参考訳（メタデータ） (2021-12-07T16:40:28Z) - 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) - 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) - 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。