論文の概要: Decision making in cancer: Causal questions require causal answers
- arxiv url: http://arxiv.org/abs/2209.07397v1
- Date: Thu, 15 Sep 2022 15:57:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-16 12:29:01.606740
- Title: Decision making in cancer: Causal questions require causal answers
- Title(参考訳): がんにおける意思決定:因果問題には因果的回答が必要である
- Authors: Wouter A.C. van Amsterdam, Pim A. de Jong, Joost J.C. Verhoeff, Tim
Leiner, Rajesh Ranganath
- Abstract要約: 特定の患者や腫瘍の特徴に合わせて調整された治療法の有効性を知ることで、個別の治療法の決定が可能になる。
アメリカがん合同委員会は、治療決定を個別化するために結果予測モデル(OPM)を開発することを推奨している。
OPMは治療方針に依存しており, 検証研究の結果を正確に予測できるOPMが患者に害を与える可能性があることを示唆している。
- 参考スコア(独自算出の注目度): 18.14591135728125
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Treatment decisions in cancer care are guided by treatment effect estimates
from randomized controlled trials (RCTs). RCTs estimate the average effect of
one treatment versus another in a certain population. However, treatments may
not be equally effective for every patient in a population. Knowing the
effectiveness of treatments tailored to specific patient and tumor
characteristics would enable individualized treatment decisions. Getting
tailored treatment effects by averaging outcomes in different patient subgroups
in RCTs requires an unfeasible number of patients to have sufficient
statistical power in all relevant subgroups for all possible treatments.
The American Joint Committee on Cancer (AJCC) recommends that researchers
develop outcome prediction models (OPMs) in an effort to individualize
treatment decisions. OPMs sometimes called risk models or prognosis models, use
patient and tumor characteristics to predict a patient outcome such as overall
survival. The assumption is that the predictions are useful for treatment
decisions using rules such as "prescribe chemotherapy only if the OPM predicts
the patient has a high risk of recurrence". Recognizing the importance of
reliable predictions, the AJCC published a checklist for OPMs to ensure
dependable OPM prediction accuracy in the patient population for which the OPM
was designed. However, accurate outcome predictions do not imply that these
predictions yield good treatment decisions. In this perspective, we show that
OPM rely on a fixed treatment policy which implies that OPM that were found to
accurately predict outcomes in validation studies can still lead to patient
harm when used to inform treatment decisions. We then give guidance on how to
develop models that are useful for individualized treatment decisions and how
to evaluate whether a model has value for decision-making.
- Abstract(参考訳): がん治療における治療決定はランダム化対照試験(RCT)による治療効果推定によって導かれる。
RCTは特定の集団における1つの治療の平均効果を推定する。
しかし、治療は人口の全ての患者に等しく効果があるわけではない。
特定の患者に合わせた治療の効果と腫瘍の特徴を把握すれば、個別の治療法決定が可能になる。
RCTの異なる患者サブグループにおける平均的な結果によって調整された治療効果を得るには、全ての治療の可能な全てのサブグループに十分な統計力を持つために、不可能な数の患者が必要である。
アメリカがん合同委員会(AJCC)は、治療決定を個別化するために結果予測モデル(OPM)を開発することを推奨している。
opmは、リスクモデルまたは予後モデルと呼ばれ、患者と腫瘍の特徴を使用して、全体的な生存のような患者の予後を予測する。
この予測は、「OPMが再発のリスクが高いと予測した場合のみ、化学療法を処方する」などの規則を用いた治療決定に有用である。
AJCCは、信頼性の高い予測の重要性を認識し、OPMが設計された患者集団において、信頼性の高いOPM予測精度を確保するために、OPMのチェックリストを公開した。
しかし、正確な結果予測は、これらの予測が適切な治療決定をもたらすことを暗示しない。
この観点から、OPMは、検証研究の結果を正確に予測できたOPMが、治療決定に使用する場合、患者に害を与える可能性があることを示す、固定的な治療方針に依存していることを示す。
次に、個別化された治療決定に有用なモデルの開発方法と、モデルに意思決定の価値があるかどうかを評価する方法について説明する。
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) - Improving Image-Based Precision Medicine with Uncertainty-Aware Causal
Models [3.5770353345663053]
ベイジアンディープラーニング(英語版)を用いて、いくつかの治療における現実的および対実的な結果に対する後部分布を推定する。
本モデルを用いて,多発性硬化症患者のMR脳画像の多施設データセットを用いて,今後新たなT2病変数を予測し,評価する。
論文 参考訳(メタデータ) (2023-05-05T20:08:40Z) - Patient-Specific Game-Based Transfer Method for Parkinson's Disease
Severity Prediction [3.9327102711186295]
ダイスフォニアはパーキンソン病(PD)の早期症状の一つである
本稿では,PD重症度予測のためのPSGT法を提案する。
実験結果から,PSGT法は比較法よりも予測誤差と安定性の両方において優れた性能を示した。
論文 参考訳(メタデータ) (2022-08-07T02:04:27Z) - Using Deep Learning-based Features Extracted from CT scans to Predict
Outcomes in COVID-19 Patients [0.4841303207359715]
Computed Tomography(CT)スキャンとElectronic Health Record(EHR)データから抽出したマルチモーダル特徴を組み合わせた新しい手法を提案する。
深層学習モデルを用いてCTスキャンから定量的特徴を抽出する。
これらの特徴と、EHRデータベースから直接読み込まれるものを組み合わせることで、マシンラーニングモデルに入力され、最終的には患者の結果の確率が出力される。
論文 参考訳(メタデータ) (2022-05-10T16:22:16Z) - To Impute or not to Impute? -- Missing Data in Treatment Effect
Estimation [84.76186111434818]
我々は,MCM(Mixed Con founded missingness)と呼ばれる新しい欠損機構を同定し,ある欠損度が治療選択を判断し,他の欠損度が治療選択によって決定されることを示した。
本研究は,全てのデータを因果的に入力すると,不偏推定を行うために必要な情報を効果的に除去するので,処理効果のモデルが貧弱になることを示す。
私たちのソリューションは選択的計算であり、CMMからの洞察を使って、どの変数をインプットすべきで、どの変数をインプットすべきでないかを正確に知らせる。
論文 参考訳(メタデータ) (2022-02-04T12:08:31Z) - 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) - Proximal Reinforcement Learning: Efficient Off-Policy Evaluation in
Partially Observed Markov Decision Processes [65.91730154730905]
医療や教育などの観察データへのオフライン強化学習の適用においては、観察された行動は観測されていない要因に影響される可能性があるという一般的な懸念がある。
ここでは、部分的に観察されたマルコフ決定過程(POMDP)における非政治評価を考慮し、この問題に取り組む。
我々は、近位因果推論の枠組みをPOMDP設定に拡張し、識別が可能となる様々な設定を提供する。
論文 参考訳(メタデータ) (2021-10-28T17:46:14Z) - UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced
Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。
UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。
非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。
UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文 参考訳(メタデータ) (2020-10-22T02:28:11Z) - Hemogram Data as a Tool for Decision-making in COVID-19 Management:
Applications to Resource Scarcity Scenarios [62.997667081978825]
新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。
本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。
提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
論文 参考訳(メタデータ) (2020-05-10T01:45:03Z) - 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。