論文の概要: SCouT: Synthetic Counterfactuals via Spatiotemporal Transformers for
Actionable Healthcare
- arxiv url: http://arxiv.org/abs/2207.04208v1
- Date: Sat, 9 Jul 2022 07:00:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-12 13:35:47.570448
- Title: SCouT: Synthetic Counterfactuals via Spatiotemporal Transformers for
Actionable Healthcare
- Title(参考訳): scout:spatialtemporal transformers(時空間トランスフォーマー)による医療用合成偽物
- Authors: Bhishma Dedhia, Roshini Balasubramanian and Niraj K. Jha
- Abstract要約: 合成制御法は、ドナーユニットからユニットの対実的現実を推定する強力なデータ駆動手法のクラスを開拓した。
中心となる技術は、ドナーの結果を結合して偽物を生成する、事前介入期間に適合した線形モデルである。
提案手法は,介入の開始前における局所的時間的情報の利用を,事象列を推定する有望な方法として提案する。
- 参考スコア(独自算出の注目度): 6.431557011732579
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The Synthetic Control method has pioneered a class of powerful data-driven
techniques to estimate the counterfactual reality of a unit from donor units.
At its core, the technique involves a linear model fitted on the
pre-intervention period that combines donor outcomes to yield the
counterfactual. However, linearly combining spatial information at each time
instance using time-agnostic weights fails to capture important inter-unit and
intra-unit temporal contexts and complex nonlinear dynamics of real data. We
instead propose an approach to use local spatiotemporal information before the
onset of the intervention as a promising way to estimate the counterfactual
sequence. To this end, we suggest a Transformer model that leverages particular
positional embeddings, a modified decoder attention mask, and a novel
pre-training task to perform spatiotemporal sequence-to-sequence modeling. Our
experiments on synthetic data demonstrate the efficacy of our method in the
typical small donor pool setting and its robustness against noise. We also
generate actionable healthcare insights at the population and patient levels by
simulating a state-wide public health policy to evaluate its effectiveness, an
in silico trial for asthma medications to support randomized controlled trials,
and a medical intervention for patients with Friedreich's ataxia to improve
clinical decision-making and promote personalized therapy.
- Abstract(参考訳): 合成制御法は、ドナーユニットからユニットの対実的現実を推定する強力なデータ駆動手法のクラスを開拓した。
テクニックの中核となるのは、ドナーの成果を組み合わせることによって反事実を生み出す、介入前の期間に合わせた線形モデルである。
しかし、時間に依存しない重みを用いた各インスタンスにおける空間情報の線形結合は、単位間および単位内時間的文脈と実データの複雑な非線形ダイナミクスを捉えることができない。
代わりに, 介入開始前に局所的時空間情報を用いる手法を提案し, 反事実系列を推定する有望な方法を提案する。
この目的のために、特定の位置埋め込み、修正されたデコーダアテンションマスク、および時空間列列列モデルを実行するための新しい事前学習タスクを活用するトランスフォーマーモデルを提案する。
合成データを用いた実験により, 典型的な小型ドナープールにおける手法の有効性と騒音に対する頑健性を示した。
また,全国の公衆衛生政策をシミュレートし,その効果を評価するとともに,無作為化比較試験を支援する喘息薬のサイリコ試験,臨床意思決定の改善とパーソナライズされた治療を促進するフリードライヒ失調症患者に対する医療介入を行うことにより,人口や患者レベルでの実用的な医療の洞察も得る。
関連論文リスト
- Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。
また,死亡率と臓器不全の関連性について有意な知見が得られた。
論文 参考訳(メタデータ) (2024-07-28T02:42:36Z) - Counterfactual Generative Models for Time-Varying Treatments [15.208067770012283]
公衆衛生・臨床科学における意思決定には, 治療の非現実的な結果の推定が不可欠である。
そこで本研究では, 時間変化処理下で, 反実例を生成できる新しい条件生成フレームワークを提案する。
合成データと実世界のデータの両方を用いて,本手法の徹底的な評価を行う。
論文 参考訳(メタデータ) (2023-05-25T05:45:53Z) - Policy Optimization for Personalized Interventions in Behavioral Health [8.10897203067601]
デジタルプラットフォームを通じて提供される行動的健康介入は、健康結果を大幅に改善する可能性がある。
患者に対するパーソナライズされた介入を最適化して長期的効果を最大化する問題について検討した。
患者システムの状態空間を個別のレベルに分解するDecompPIをダブする新しい手法を提案する。
論文 参考訳(メタデータ) (2023-03-21T21:42:03Z) - Synthetic Blip Effects: Generalizing Synthetic Controls for the Dynamic
Treatment Regime [31.194595148880573]
動的処理システムを用いて収集したパネルデータから単位特異的な処理効果を推定する。
我々は,任意の介入の順序の下で,ユニット固有の平均結果の識別戦略を提案する。
論文 参考訳(メタデータ) (2022-10-20T04:11:20Z) - Continuous-Time Modeling of Counterfactual Outcomes Using Neural
Controlled Differential Equations [84.42837346400151]
反現実的な結果を予測することは、パーソナライズされたヘルスケアをアンロックする可能性がある。
既存の因果推論アプローチでは、観察と治療決定の間の通常の離散時間間隔が考慮されている。
そこで本研究では,腫瘍増殖モデルに基づく制御可能なシミュレーション環境を提案する。
論文 参考訳(メタデータ) (2022-06-16T17:15:15Z) - 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) - Real-time landmark detection for precise endoscopic submucosal
dissection via shape-aware relation network [51.44506007844284]
内視鏡下粘膜下郭清術における高精度かつリアルタイムなランドマーク検出のための形状認識型関係ネットワークを提案する。
まず,ランドマーク間の空間的関係に関する先行知識を直感的に表現する関係キーポイント・ヒートマップを自動生成するアルゴリズムを考案する。
次に、事前知識を学習プロセスに段階的に組み込むために、2つの補完的な正規化手法を開発する。
論文 参考訳(メタデータ) (2021-11-08T07:57:30Z) - A Model-Based Approach to Synthetic Data Set Generation for
Patient-Ventilator Waveforms for Machine Learning and Educational Use [0.0]
機械学習と教育利用のための合成データセットを生成するモデルベースのアプローチを提案する。
文献中の測定結果から得られた9種類の患者原型を用いて合成データセットを生成した。
論文 参考訳(メタデータ) (2021-03-29T15:10:17Z) - MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。
我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。
我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
論文 参考訳(メタデータ) (2020-10-08T15:30:17Z) - 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。