論文の概要: Multi-Task Adversarial Learning for Treatment Effect Estimation in Basket Trials

• arxiv url: http://arxiv.org/abs/2203.05123v1
• Date: Thu, 10 Mar 2022 02:41:26 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-11 15:29:43.321087
• Title: Multi-Task Adversarial Learning for Treatment Effect Estimation in Basket Trials
• Title（参考訳）: バスケットボールトライアルにおける治療効果推定のためのマルチタスク逆学習
• Authors: Zhixuan Chu, Stephen L. Rathbun, Sheng Li
• Abstract要約: バスケットトライアルと呼ばれる新しい臨床設計に応用するための因果推論について述べる。 そこで本研究では, 腫瘍の種類によって有意な影響を推定するためのマルチタスク逆学習法を提案する。
• 参考スコア（独自算出の注目度）: 12.266020657495618
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Estimating treatment effects from observational data provides insights about causality guiding many real-world applications such as different clinical study designs, which are the formulations of trials, experiments, and observational studies in medical, clinical, and other types of research. In this paper, we describe causal inference for application in a novel clinical design called basket trial that tests how well a new drug works in patients who have different types of cancer that all have the same mutation. We propose a multi-task adversarial learning (MTAL) method, which incorporates feature selection multi-task representation learning and adversarial learning to estimate potential outcomes across different tumor types for patients sharing the same genetic mutation but having different tumor types. In our paper, the basket trial is employed as an intuitive example to present this new causal inference setting. This new causal inference setting includes, but is not limited to basket trials. This setting has the same challenges as the traditional causal inference problem, i.e., missing counterfactual outcomes under different subgroups and treatment selection bias due to confounders. We present the practical advantages of our MTAL method for the analysis of synthetic basket trial data and evaluate the proposed estimator on two benchmarks, IHDP and News. The results demonstrate the superiority of our MTAL method over the competing state-of-the-art methods.
• Abstract（参考訳）: 観察データから治療効果を推定することは、医学、臨床、その他の研究における試験、実験、観察研究の定式化である異なる臨床研究設計のような、多くの実世界の応用を導く因果性に関する洞察を提供する。 本報告では, 同一の変異を有する異なる種類のがん患者において, 新規薬物がどの程度有効であるかを検査する, バスケットトライアルと呼ばれる新しい臨床設計に応用するための因果推論について述べる。 本手法では, マルチタスク表現学習と対戦学習を併用し, 同一の遺伝子変異を持つが, 異なる変異を有する患者に対して, 異なる種類の腫瘍に対して, 潜在的な結果を推定する。 本稿では,この新たな因果推論設定を示す直感的な例として,バスケットトライアルを用いた。 この新しい因果推論設定は、バスケットトライアルに限定されるものではないが、含まれている。 この設定は、従来の因果推論問題と同じ課題、すなわち、異なるサブグループの下での対実的な結果の欠如と、共同設立者による治療選択バイアスがある。 IHDPとNewsの2つのベンチマークにおいて,合成バスケット試薬データの解析におけるMTAL法の実用的利点と評価を行った。 その結果,MTAL法が競合する最先端手法よりも優れていることが示された。

関連論文リスト

• Detecting critical treatment effect bias in small subgroups [11.437076464287822]
  本研究では, 平均治療効果以上の観察研究をベンチマークするための新しい手法を提案する。 まず, 2つの研究から推定される治療効果が, 関連する特徴のセットに基づいて, ある程度の許容範囲で異なるという, ヌル仮説の統計的試験を設計する。 次に,観測研究における任意の部分群に対して,最大バイアス強度に対する有意な下限を推定する。
  論文  参考訳（メタデータ） (2024-04-29T17:44:28Z)
• 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)
• SPOT: Sequential Predictive Modeling of Clinical Trial Outcome with Meta-Learning [67.8195828626489]
  臨床試験は薬物開発に不可欠であるが、時間を要する、費用がかかる、失敗する傾向がある。 本稿では,まず,複数ソースの臨床試験データを関連するトライアルトピックにクラスタリングするために,臨床トライアル結果の逐次予測mOdeling(SPOT)を提案する。 タスクとして各トライアルシーケンスを考慮して、メタ学習戦略を使用して、モデルが最小限のアップデートで新しいタスクに迅速に適応できるポイントを達成する。
  論文  参考訳（メタデータ） (2023-04-07T23:04:27Z)
• Learning to Infer Counterfactuals: Meta-Learning for Estimating Multiple Imbalanced Treatment Effects [41.06974193338288]
  本稿では,治療群間のデータエピソードをメタラーニングタスクとみなす。 そこで本研究では,ソース処理グループから十分なサンプルを用いてメタラーナーを訓練し,対象治療における限られたサンプルによる勾配降下によるモデル更新を行う。 実世界の2つのデータセットの実験を行い、推測精度と一般化能力を評価する。
  論文  参考訳（メタデータ） (2022-08-13T23:22:12Z)
• 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)
• A method for comparing multiple imputation techniques: a case study on the U.S. National COVID Cohort Collaborative [1.259457977936316]
  統計的解析の文脈において、欠落データを扱うための戦略を数値的に評価する。 このアプローチは、最も有効でパフォーマンスの低いデータハンドリング戦略を効果的に強調することができる。
  論文  参考訳（メタデータ） (2022-06-13T19:49:54Z)
• Ensemble Method for Estimating Individualized Treatment Effects [15.775032675243995]
  本稿では,多様なモデルライブラリから推定値を集約するアルゴリズムを提案する。 43のベンチマークデータセット上でのアンサンブルとモデル選択を比較して、ほぼ毎回、アンサンブルが勝つことを確認します。
  論文  参考訳（メタデータ） (2022-02-25T00:44:37Z)
• 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)
• Personalized pathology test for Cardio-vascular disease: Approximate Bayesian computation with discriminative summary statistics learning [48.7576911714538]
  近似計算を用いて生物学的に有意なパラメータを推定するための血小板沈着モデルと推論手法を提案する。 この研究は、CVDの検出と治療のためのパーソナライズされた病理検査の先例のない機会を開く。
  論文  参考訳（メタデータ） (2020-10-13T15:20:21Z)
• A Machine Learning alternative to placebo-controlled clinical trials upon new diseases: A primer [0.0]
  新たな危険で伝染性の疾患は、通常のメカニズムによって予測されるものよりも早く薬物療法を開発する必要がある。 我々は、全ての患者が異なる、合理的な組み合わせの薬物を受け取り、この結果を用いてニューラルネットワークをフィードする新しい手法を比較した。 変動を平均化し、異なる患者の特徴を認識することで、ニューラルネットワークは患者の初期状態と治療の結果を結びつけるパターンを学習する。
  論文  参考訳（メタデータ） (2020-03-26T17:53:10Z)
• 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。