論文の概要: Joint Non-parametric Point Process model for Treatments and Outcomes:
Counterfactual Time-series Prediction Under Policy Interventions
- arxiv url: http://arxiv.org/abs/2209.04142v1
- Date: Fri, 9 Sep 2022 06:50:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-12 13:09:39.285011
- Title: Joint Non-parametric Point Process model for Treatments and Outcomes:
Counterfactual Time-series Prediction Under Policy Interventions
- Title(参考訳): 治療とアウトカムのための共同非パラメトリックポイントプロセスモデル:政策介入下における対実時間予測
- Authors: \c{C}a\u{g}lar H{\i}zl{\i}, ST John, Anne Juuti, Tuure Saarinen, Kirsi
Pietil\"ainen, Pekka Marttinen
- Abstract要約: 本研究では,治療方針と治療効果を逐次的治療結果データから推定できる,治療と結果のジョイントモデルを構築した。
血液グルコースの進行に関する実際のデータで示すように、治療方針に対する介入に関する介入や反ファクトの問い合わせに答えることができる。
- 参考スコア(独自算出の注目度): 5.107614397012659
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Policy makers need to predict the progression of an outcome before adopting a
new treatment policy, which defines when and how a sequence of treatments
affecting the outcome occurs in continuous time. Commonly, algorithms that
predict interventional future outcome trajectories take a fixed sequence of
future treatments as input. This either neglects the dependence of future
treatments on outcomes preceding them or implicitly assumes the treatment
policy is known, and hence excludes scenarios where the policy is unknown or a
counterfactual analysis is needed. To handle these limitations, we develop a
joint model for treatments and outcomes, which allows for the estimation of
treatment policies and effects from sequential treatment--outcome data. It can
answer interventional and counterfactual queries about interventions on
treatment policies, as we show with real-world data on blood glucose
progression and a simulation study building on top of this.
- Abstract(参考訳): 政策立案者は、新たな治療方針を採用する前に結果の進行を予測する必要がある。
一般に、介入的未来の結果軌道を予測するアルゴリズムは、将来の治療を入力として一定の順序を取る。
これは、将来の治療が先行する結果への依存を無視するか、またはその治療方針が分かっていることを暗黙的に仮定するかのどちらかであり、したがって、方針が未知であるか、あるいは反事実分析が必要となるシナリオを除外する。
これらの制約に対処するために,治療方針と治療効果を逐次的な治療成果データから推定できる,治療と成果のジョイントモデルを開発した。
血液グルコースの進行に関する実際のデータや、この上に構築されたシミュレーション研究で示されるように、治療方針に対する介入に関する介入や反ファクトの問い合わせに答えることができる。
関連論文リスト
- Are causal effect estimations enough for optimal recommendations under multitreatment scenarios? [2.4578723416255754]
異なる治療やコントロール下での潜在的な結果を比較するために、因果効果推定分析を含めることが不可欠である。
マルチトリートメント選択のための包括的方法論を提案する。
論文 参考訳(メタデータ) (2024-10-07T16:37:35Z) - Learning When to Treat Business Processes: Prescriptive Process
Monitoring with Causal Inference and Reinforcement Learning [0.8318686824572804]
プロセスの成功率の増加、すなわち、ポジティブな結果に終わるケースの割合は、反復的なプロセス改善の目標である。
本稿では,意思決定作業を自動化する規範的モニタリング手法を提案する。
因果推論と強化学習を組み合わせて、ネットゲインを最大化する治療方針を学習する。
論文 参考訳(メタデータ) (2023-03-07T00:46:04Z) - TCFimt: Temporal Counterfactual Forecasting from Individual Multiple
Treatment Perspective [50.675845725806724]
個別多面的治療の観点からの時間的対実予測の包括的枠組み(TCFimt)を提案する。
TCFimtは、選択と時間変化バイアスを軽減するためにSeq2seqフレームワークの逆タスクを構築し、比較学習ベースのブロックを設計し、混合処理効果を分離した主治療効果と因果相互作用に分解する。
提案手法は, 特定の治療法による今後の結果予測と, 最先端手法よりも最適な治療タイプとタイミングを選択する上で, 良好な性能を示す。
論文 参考訳(メタデータ) (2022-12-17T15:01:05Z) - 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) - Robust and Agnostic Learning of Conditional Distributional Treatment
Effects [62.44901952244514]
条件平均治療効果(CATE)は、個々の因果効果の最適点予測である。
集約分析では、通常は分布処理効果(DTE)の測定によって対処される。
我々は,多種多様な問題に対して条件付きDTE(CDTE)を学習するための,新しい堅牢でモデルに依存しない手法を提供する。
論文 参考訳(メタデータ) (2022-05-23T17:40:31Z) - 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) - 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) - Stochastic Intervention for Causal Inference via Reinforcement Learning [7.015556609676951]
因果推論の中心は介入戦略の処理効果推定である。
既存の方法はほとんどが決定論的治療に限られており、異なる治療下での結果を比較する。
介入に対する治療効果を推定するための新しい効果的な枠組みを提案する。
論文 参考訳(メタデータ) (2021-05-28T00:11:22Z) - Sequential Deconfounding for Causal Inference with Unobserved
Confounders [18.586616164230566]
個別化治療効果を時間とともに推定する手法であるSequential Deconfounderを開発した。
これは、一般的なシーケンシャルな設定で使用できる最初の分解方法である。
本手法は, 経時的に個々の治療反応を偏りなく推定できることを実証する。
論文 参考訳(メタデータ) (2021-04-16T09:56:39Z) - Treatment Policy Learning in Multiobjective Settings with Fully Observed
Outcomes [6.944742823560999]
個別化された治療方針を学習するための3つのアプローチを提示し、比較し、評価する。
我々は,全てのアプローチが臨床医よりも厳格に優れた成績を得られる政策を学習していることを示す。
論文 参考訳(メタデータ) (2020-06-01T13:22:51Z) - 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。