論文の概要: Adaptive Semi-Supervised Inference for Optimal Treatment Decisions with Electronic Medical Record Data

• arxiv url: http://arxiv.org/abs/2203.02318v1
• Date: Fri, 4 Mar 2022 13:54:35 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-07 15:46:12.864117
• Title: Adaptive Semi-Supervised Inference for Optimal Treatment Decisions with Electronic Medical Record Data
• Title（参考訳）: 電子カルテデータを用いた最適治療判定のための適応的半監督推論
• Authors: Kevin Gunn, Wenbin Lu and Rui Song
• Abstract要約: 最適な治療体制は、最も全体的な臨床効果が期待されるものとなり、多くの注目を集めている。 半教師付き環境下での電子カルテデータによる最適治療体制の推定について検討する。
• 参考スコア（独自算出の注目度）: 18.77246683875067
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A treatment regime is a rule that assigns a treatment to patients based on their covariate information. Recently, estimation of the optimal treatment regime that yields the greatest overall expected clinical outcome of interest has attracted a lot of attention. In this work, we consider estimation of the optimal treatment regime with electronic medical record data under a semi-supervised setting. Here, data consist of two parts: a set of `labeled' patients for whom we have the covariate, treatment and outcome information, and a much larger set of `unlabeled' patients for whom we only have the covariate information. We proposes an imputation-based semi-supervised method, utilizing `unlabeled' individuals to obtain a more efficient estimator of the optimal treatment regime. The asymptotic properties of the proposed estimators and their associated inference procedure are provided. Simulation studies are conducted to assess the empirical performance of the proposed method and to compare with a fully supervised method using only the labeled data. An application to an electronic medical record data set on the treatment of hypotensive episodes during intensive care unit (ICU) stays is also given for further illustration.
• Abstract（参考訳）: 治療体制は、患者の共変量情報に基づいて患者に治療を割り当てる規則である。 近年,関心の総合的な臨床効果を最大限に生み出す最適な治療体制の推定に注目が集まっている。 そこで本研究では,電子カルテデータを用いた半監督環境下での最適治療体制の評価について検討する。 ここでのデータは、共変量、治療、アウトカム情報を持つ一連の「ラベル付き」患者と、共変量情報しか持たないはるかに大きな「ラベル付き」患者の2つの部分からなる。 そこで本稿では, 「ラベルのない」個人を用いて, 最適治療体制のより効率的な推定方法を提案する。 提案した推定器の漸近特性とその関連推論手順を提供する。 提案手法の実証的な性能評価と,ラベル付きデータのみを用いた完全教師付き手法との比較を行った。 また、集中治療室(ICU)滞在中の低血圧エピソードの治療に関する電子カルテデータセットへの適用についても、さらなる図示を行う。

関連論文リスト

• The R.O.A.D. to precision medicine [5.877778007271621]
  本稿ではランダム化試行データサブグループ解析の欠陥に対処する確率的層間マッチングフレームワークを提案する。 我々は,消化管間質性腫瘍(GIST)の観察データに枠組みを適用し,外部コホートでOPTを検証した。
  論文  参考訳（メタデータ） (2023-11-03T03:08:15Z)
• Safe and Interpretable Estimation of Optimal Treatment Regimes [54.257304443780434]
  我々は、最適な治療体制を特定するための安全かつ解釈可能な枠組みを運用する。 本研究は患者の医療歴と薬理学的特徴に基づくパーソナライズされた治療戦略を支援する。
  論文  参考訳（メタデータ） (2023-10-23T19:59:10Z)
• 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)
• 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)
• Median Optimal Treatment Regimes [7.241149193573696]
  コンディショナーが治療中よりも高い個人を治療する新しいメディアン最適治療体制を提案します。 これにより、同じグループの個人に対する最適な決定が、グループのごく一部に過度に影響されないことが保証される。 本稿では,政策の全体的中央値処理結果を要約した新しい評価尺度ACME(Average Conditional Median Effect)を紹介する。
  論文  参考訳（メタデータ） (2021-03-02T15:26:20Z)
• 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)
• 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)
• Learning Individualized Treatment Rules with Estimated Translated Inverse Propensity Score [29.606141542532356]
  本稿では、個別化された治療規則(ITR)を学習して治療方針を導出することに焦点を当てる。 本フレームワークでは,ITRの学習を文脈的盗聴問題とみなし,治療方針の予測リスクを最小限に抑える。 長期的目標として、当社の方針は、最終的にはIVおよびVPの治験ガイドラインの改善につながる可能性がある。
  論文  参考訳（メタデータ） (2020-07-02T13:13:56Z)
• Near-optimal Individualized Treatment Recommendations [9.585155938486048]
  個別治療レコメンデーション(ITR)は、精密医療のための重要な分析フレームワークである。 結果重み付き学習(OWL)フレームワークにおける最適A-ITRを推定する2つの手法を提案する。 これらの手法の整合性を示し、理論的に最適である勧告と推定された提案のリスクの上限を求める。
  論文  参考訳（メタデータ） (2020-04-06T15:59:33Z)
• Estimating Counterfactual Treatment Outcomes over Time Through Adversarially Balanced Representations [114.16762407465427]
  時間とともに治療効果を推定するためにCRN(Counterfactual Recurrent Network)を導入する。 CRNは、患者履歴のバランスの取れた表現を構築するために、ドメイン敵のトレーニングを使用する。 本モデルでは, 正解率の予測と適切な治療時期の選択において, 誤差の低減を図っている。
  論文  参考訳（メタデータ） (2020-02-10T20:47:36Z)

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。