論文の概要: Why Interpretable Causal Inference is Important for High-Stakes Decision Making for Critically Ill Patients and How To Do It

• arxiv url: http://arxiv.org/abs/2203.04920v1
• Date: Wed, 9 Mar 2022 18:03:35 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-10 18:15:33.443105
• Title: Why Interpretable Causal Inference is Important for High-Stakes Decision Making for Critically Ill Patients and How To Do It
• Title（参考訳）: 重病患者に対する高リスク意思決定において解釈可能な因果推論が重要である理由とその方法
• Authors: Harsh Parikh, Kentaro Hoffman, Haoqi Sun, Wendong Ge, Jin Jing, Rajesh Amerineni, Lin Liu, Jimeng Sun, Sahar Zafar, Aaron Struck, Alexander Volfovsky, Cynthia Rudin, M. Brandon Westover
• Abstract要約: 重症心身障害患者に対する因果関係評価のための枠組みを提案する。 この枠組みは、脳の発作やその他の潜在的に有害な電気的事象が結果に与える影響に適用する。
• 参考スコア（独自算出の注目度）: 80.24494623756839
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many fundamental problems affecting the care of critically ill patients lead to similar analytical challenges: physicians cannot easily estimate the effects of at-risk medical conditions or treatments because the causal effects of medical conditions and drugs are entangled. They also cannot easily perform studies: there are not enough high-quality data for high-dimensional observational causal inference, and RCTs often cannot ethically be conducted. However, mechanistic knowledge is available, including how drugs are absorbed into the body, and the combination of this knowledge with the limited data could potentially suffice -- if we knew how to combine them. In this work, we present a framework for interpretable estimation of causal effects for critically ill patients under exactly these complex conditions: interactions between drugs and observations over time, patient data sets that are not large, and mechanistic knowledge that can substitute for lack of data. We apply this framework to an extremely important problem affecting critically ill patients, namely the effect of seizures and other potentially harmful electrical events in the brain (called epileptiform activity -- EA) on outcomes. Given the high stakes involved and the high noise in the data, interpretability is critical for troubleshooting such complex problems. Interpretability of our matched groups allowed neurologists to perform chart reviews to verify the quality of our causal analysis. For instance, our work indicates that a patient who experiences a high level of seizure-like activity (75% high EA burden) and is untreated for a six-hour window, has, on average, a 16.7% increased chance of adverse outcomes such as severe brain damage, lifetime disability, or death. We find that patients with mild but long-lasting EA (average EA burden >= 50%) have their risk of an adverse outcome increased by 11.2%.
• Abstract（参考訳）: 医師は、医療状況や薬物の因果的影響が絡み合っているため、リスクの高い医療状況や治療の効果を簡単に見積もることができない。 高い次元の観察的因果推論のための十分な高品質のデータはなく、rctは倫理的に実行できないことが多い。 However, mechanistic knowledge is available, including how drugs are absorbed into the body, and the combination of this knowledge with the limited data could potentially suffice -- if we knew how to combine them. In this work, we present a framework for interpretable estimation of causal effects for critically ill patients under exactly these complex conditions: interactions between drugs and observations over time, patient data sets that are not large, and mechanistic knowledge that can substitute for lack of data. We apply this framework to an extremely important problem affecting critically ill patients, namely the effect of seizures and other potentially harmful electrical events in the brain (called epileptiform activity -- EA) on outcomes. データの高利得と高ノイズを考えると、複雑な問題への対処には解釈可能性が不可欠である。 一致したグループの解釈可能性により、神経学者は私たちの因果解析の質を検証するためにチャートレビューを行うことができた。 例えば、私たちの研究は、高レベルの発作様活動(75%のEA負荷)を経験し、6時間窓の治療を受けていない患者が、平均すると、重度の脳損傷、生涯障害、死亡などの有害な結果の確率が16.7%上昇していることを示している。 軽度ながら長期にわたるEA(平均EA負荷>50%)の患者は、副作用のリスクが11.2%増加した。

関連論文リスト

• TrialBench: Multi-Modal Artificial Intelligence-Ready Clinical Trial Datasets [57.067409211231244]
  本稿では,マルチモーダルデータ(例えば,薬物分子,疾患コード,テキスト,分類・数値的特徴)と臨床治験設計における8つの重要な予測課題をカバーするAIreadyデータセットを精巧にキュレートした。 データセットのユーザビリティと信頼性を確保するため、各タスクに基本的な検証方法を提供する。 このようなオープンアクセスデータセットが利用可能になることは、臨床試験設計のための高度なAIアプローチの開発を促進することを期待する。
  論文  参考訳（メタデータ） (2024-06-30T09:13:10Z)
• Event-Based Contrastive Learning for Medical Time Series [11.696805672885798]
  Event-Based Contrastive Learning (EBCL) は異種患者データの埋め込みを学習する手法である。 EBCLが重要な下流タスクの性能向上をもたらすモデルを構築するのに利用できることを示す。
  論文  参考訳（メタデータ） (2023-12-16T03:50:24Z)
• Learning interpretable causal networks from very large datasets, application to 400,000 medical records of breast cancer patients [1.2647816797166165]
  我々は,汎用的な相互情報最高原理に基づく,より信頼性が高くスケーラブルな因果探索法(iMIIC)を報告する。 乳がん患者396,179名を対象に,iMIICの医療データと実生医療データについて紹介した。
  論文  参考訳（メタデータ） (2023-03-11T15:18:19Z)
• 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)
• Treatment Effect Risk: Bounds and Inference [58.442274475425144]
  平均的な治療効果は社会福祉の変化を測定するため、たとえ肯定的であっても、人口の約10%に悪影響を及ぼすリスクがある。 本稿では,ICT分布のリスク条件値(CVaR)として定式化されたこの重要なリスク尺度をどう評価するかを検討する。 いくつかの境界は、複素CATE関数を単一の計量に要約したものと解釈することもでき、有界であることとは無関係に興味を持つ。
  論文  参考訳（メタデータ） (2022-01-15T17:21:26Z)
• An introduction to causal reasoning in health analytics [2.199093822766999]
  従来の機械学習と統計的アプローチで発生する可能性のある欠点のいくつかを強調して、観測データを分析します。 一般的な機械学習問題に対処するための因果推論の応用を実演する。
  論文  参考訳（メタデータ） (2021-05-10T20:25:56Z)
• Causes of Effects: Learning individual responses from population data [23.593582720307207]
  個別化の問題とその医学への応用について研究する。 例えば、治療の恩恵を受ける確率は、治療された場合の好ましくない結果と、治療されていない場合の好ましくない結果である。 必要十分度(PNS)の確率に限界を当て、グラフィカルな基準や実用的応用とともに既存の研究を分析・拡大します。
  論文  参考訳（メタデータ） (2021-04-28T12:38:11Z)
• 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)
• Robustness to Spurious Correlations via Human Annotations [100.63051542531171]
  本稿では,人間に共通する因果関係の知識を活用して,素因関係に頑健なモデルを構築するための枠組みを提案する。 具体的には、人間のアノテーションを使用して、潜在的な未測定変数でトレーニング例を拡大する。 次に,未測定変数(UV-DRO)に対する分布性に頑健な新たな最適化手法を導入し,テスト時間シフトによる最悪の損失を制御する。
  論文  参考訳（メタデータ） (2020-07-13T20:05:19Z)
• Estimation of Causal Effects in the Presence of Unobserved Confounding in the Alzheimer's Continuum [3.2489082010225494]
  アルツハイマー病の病因と効果に関する現在の臨床知識から因果グラフを導出する。 因果効果の識別可能性を示すためには,すべての共同創設者の認識と測定が必要である。 理論的解析では,代用共同設立者が神経解剖学の認知に対する因果的影響を識別できることが証明された。
  論文  参考訳（メタデータ） (2020-06-23T16:29:54Z)

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。