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
- Domain constraints improve risk prediction when outcome data is missing [1.6840408099522377]
機械学習モデルにより, 検査対象者および検査対象者双方のリスクを正確に推定できることが示唆された。
本研究は,癌リスク予測のケーススタディに適用し,そのモデルが癌診断を予測していることを示す。
論文 参考訳（メタデータ） (2023-12-06T19:49:06Z) - When accurate prediction models yield harmful self-fulfilling prophecies [16.304160143287366]
意思決定に予測モデルを使うことは有害な決定につながる可能性があることを示す。
我々の主な成果は、そのような予測モデルの集合を形式的に特徴づけることである。
これらの結果は、予測モデルの検証、デプロイ、評価のための標準プラクティスを改訂する必要があることを示している。
論文 参考訳（メタデータ） (2023-12-02T19:39:50Z) - Safe AI for health and beyond -- Monitoring to transform a health
service [51.8524501805308]
機械学習アルゴリズムの出力を監視するために必要なインフラストラクチャを評価する。
モデルのモニタリングと更新の例を示す2つのシナリオを提示します。
論文 参考訳（メタデータ） (2023-03-02T17:27:45Z) - Counterfactual Prediction Under Outcome Measurement Error [29.071173441651734]
本研究では、過去の意思決定方針から結果測定誤差、治療効果、選択バイアスによって導入されたモデル信頼性に対する交差脅威について検討する。
我々は,これらの課題の複合効果を補正するリスク最小化手法を開発した。
論文 参考訳（メタデータ） (2023-02-22T03:34:19Z) - Deep learning methods for drug response prediction in cancer:
predominant and emerging trends [50.281853616905416]
がんを研究・治療するための計算予測モデルをエクスプロイトすることは、薬物開発の改善と治療計画のパーソナライズドデザインにおいて大きな可能性を秘めている。
最近の研究の波は、ディープラーニング手法を用いて、薬物治療に対するがん反応を予測するという有望な結果を示している。
このレビューは、この分野の現状をよりよく理解し、主要な課題と将来性のあるソリューションパスを特定します。
論文 参考訳（メタデータ） (2022-11-18T03:26:31Z) - What Do You See in this Patient? Behavioral Testing of Clinical NLP
Models [69.09570726777817]
本稿では,入力の変化に関する臨床結果モデルの振る舞いを評価する拡張可能なテストフレームワークを提案する。
私たちは、同じデータを微調整しても、モデル行動は劇的に変化し、最高のパフォーマンスのモデルが常に最も医学的に可能なパターンを学習していないことを示しています。
論文 参考訳（メタデータ） (2021-11-30T15:52:04Z) - Learning to Predict with Supporting Evidence: Applications to Clinical
Risk Prediction [9.199022926064009]
機械学習モデルがヘルスケアに与える影響は、医療専門家がこれらのモデルによって予測される信頼度に依存する。
予測が信頼されるべき理由に関するドメイン関連証拠を,臨床専門性のある人に提供するための方法を提示する。
論文 参考訳（メタデータ） (2021-03-04T00:26:32Z) - A scoping review of causal methods enabling predictions under
hypothetical interventions [4.801185839732629]
意思決定を支援するために予測モデルを使用する場合、仮説的な介入の下で結果を予測する必要があることが多い。
我々は,2019年12月までに出版された文献を体系的にレビューし,仮説的介入による予測モデルの使用を可能にするために因果的考察を用いた健康領域の論文を考察した。
臨床予測モデルへの仮説的介入の下での予測を可能にするための2つの幅広い方法論的アプローチが存在する。
論文 参考訳（メタデータ） (2020-11-19T13:36:26Z) - When Does Uncertainty Matter?: Understanding the Impact of Predictive
Uncertainty in ML Assisted Decision Making [68.19284302320146]
我々は,異なるレベルの専門知識を持つ人々が,異なるタイプの予測不確実性にどう反応するかを評価するために,ユーザスタディを実施している。
その結果,後続の予測分布を示すことは,MLモデルの予測との相違点が小さくなることがわかった。
このことは、後続の予測分布は、人間の分布の種類や専門性を考慮し、注意を払って使用するべき有用な決定支援として役立つ可能性があることを示唆している。
論文 参考訳（メタデータ） (2020-11-12T02:23:53Z) - 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) - Counterfactual Predictions under Runtime Confounding [74.90756694584839]
本研究は, 過去のデータからすべての関連要因を抽出した環境で, 事実予測タスクについて検討する。
本稿では,この環境下での対実予測モデル学習のための2次ロバスト手法を提案する。
論文 参考訳（メタデータ） (2020-06-30T15:49:05Z)
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。