論文の概要: Estimating average causal effects from patient trajectories
- arxiv url: http://arxiv.org/abs/2203.01228v1
- Date: Wed, 2 Mar 2022 16:45:19 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-03 14:17:31.474873
- Title: Estimating average causal effects from patient trajectories
- Title（参考訳）: 患者軌跡からの平均因果効果の推定
- Authors: Dennis Frauen, Tobias Hatt, Valentyn Melnychuk and Stefan Feuerriegel
- Abstract要約: 医療実践においては、患者の結果に期待される因果効果に基づいて治療が選択される。
本稿では,時間とともに収集される観察データ(患者軌跡)から平均因果効果(ACE)を推定することを目的とする。
- 参考スコア（独自算出の注目度）: 18.87912848546951
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In medical practice, treatments are selected based on the expected causal
effects on patient outcomes. Here, the gold standard for estimating causal
effects are randomized controlled trials; however, such trials are costly and
sometimes even unethical. Instead, medical practice is increasingly interested
in estimating causal effects among patient subgroups from electronic health
records, that is, observational data. In this paper, we aim at estimating the
average causal effect (ACE) from observational data (patient trajectories) that
are collected over time. For this, we propose DeepACE: an end-to-end deep
learning model. DeepACE leverages the iterative G-computation formula to adjust
for the bias induced by time-varying confounders. Moreover, we develop a novel
sequential targeting procedure which ensures that DeepACE has favorable
theoretical properties, i.e., is doubly robust and asymptotically efficient. To
the best of our knowledge, this is the first work that proposes an end-to-end
deep learning model for estimating time-varying ACEs. We compare DeepACE in an
extensive number of experiments, confirming that it achieves state-of-the-art
performance. We further provide a case study for patients suffering from low
back pain to demonstrate that DeepACE generates important and meaningful
findings for clinical practice. Our work enables medical practitioners to
develop effective treatment recommendations tailored to patient subgroups.
- Abstract（参考訳）: 医療実践においては、患者の結果に期待される因果効果に基づいて治療が選択される。
ここで因果効果を推定するための金本位制はランダム化された対照試験であるが、そのような試練は費用がかかり、時には非倫理的である。
代わりに、医療は、電子健康記録、すなわち観察データから患者サブグループ間の因果効果を推定することに関心を寄せている。
本稿では,時間とともに収集される観察データ(患者軌道)から平均因果効果(ACE)を推定することを目的とする。
そこで我々は,エンドツーエンドのディープラーニングモデルであるDeepACEを提案する。
DeepACEは反復G計算式を利用して、時間変化のある共同設立者によって引き起こされるバイアスを調整する。
さらに,DeepACEが2重に頑健で漸近的に効率的な理論特性を有することを確実にする新たなシーケンシャルターゲティング手法を開発した。
我々の知る限りでは、これは時間変化ACEを推定するためのエンドツーエンドのディープラーニングモデルを提案する最初の作品である。
我々はDeepACEを多数の実験で比較し、最先端のパフォーマンスを実現することを確認した。
また,腰痛を主訴とする患者に対して,DeepACEが臨床的に重要かつ有意義な所見をもたらすことを示すための症例研究を行った。
本研究により,医療従事者は患者サブグループに適した効果的な治療勧告を作成できる。
関連論文リスト
- Active Sensing of Knee Osteoarthritis Progression with Reinforcement Learning [2.8498944632323755]
変形性関節症(OA)は最も一般的な筋骨格疾患であり、治療法がない。
Knee OA (KOA) は障害の最も高い原因の1つであり、世界社会には数十億ドルの費用がかかる。
論文 参考訳（メタデータ） (2024-08-05T09:54:08Z) - A Perspective on Individualized Treatment Effects Estimation from
Time-series Health Data [2.9404725327650767]
この研究は、論文における最新の研究を要約し、理論的な仮定、治療のタイプ、計算フレームワークを考慮してそれをレビューする。
この研究が新たな方向性を開き、エキサイティングで未研究の分野の1つを理解するためのリソースとして機能することを願っています。
論文 参考訳（メタデータ） (2024-02-07T08:53:46Z) - 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) - Ambiguous Dynamic Treatment Regimes: A Reinforcement Learning Approach [0.0]
動的処理レジーム(DTR)は、このプロセスの形式化のために広く研究されている。
最適な治療体制を効率的に学習するための強化学習法を開発した。
論文 参考訳（メタデータ） (2021-12-08T20:22:04Z) - 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) - A pragmatic approach to estimating average treatment effects from EHR
data: the effect of prone positioning on mechanically ventilated COVID-19
patients [29.983525001333625]
観察データから治療効果を推定する方法については合意されていない。
本稿では,観察研究から治療効果の予備的評価を得るための実用的手法を紹介する。
論文 参考訳（メタデータ） (2021-09-14T14:14:37Z) - 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) - HINT: Hierarchical Interaction Network for Trial Outcome Prediction
Leveraging Web Data [56.53715632642495]
臨床試験は、有効性、安全性、または患者採用の問題により、不確実な結果に直面する。
本稿では,より一般的な臨床試験結果予測のための階層型Interaction Network(HINT)を提案する。
論文 参考訳（メタデータ） (2021-02-08T15:09:07Z) - 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 Individual Treatment Effects with Time-Varying Confounders [9.784193264717098]
医療において、観察データから個別治療効果(ITE)を推定することは意義があり実用的である。
既存の作業は主に、隠れた共同設立者が存在しないという強い無知の仮定に依存している。
時系列重み付け (DSW) を用いて, ITE の時間変化を推定する手法を提案する。
論文 参考訳（メタデータ） (2020-08-27T02:21:56Z) - Generalization Bounds and Representation Learning for Estimation of
Potential Outcomes and Causal Effects [61.03579766573421]
代替薬に対する患者一人の反応など,個人レベルの因果効果の推定について検討した。
我々は,表現の誘導的処理群距離を正規化することにより,境界を最小化する表現学習アルゴリズムを考案した。
これらのアルゴリズムを拡張して、重み付き表現を同時に学習し、治療群距離をさらに削減する。
論文 参考訳（メタデータ） (2020-01-21T10:16:33Z)
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。