論文の概要: Meta-analysis of individualized treatment rules via sign-coherency
- arxiv url: http://arxiv.org/abs/2211.15476v1
- Date: Mon, 28 Nov 2022 15:55:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-29 17:10:30.061490
- Title: Meta-analysis of individualized treatment rules via sign-coherency
- Title（参考訳）: サインコヒーレンシによる個別処理規則のメタ分析
- Authors: Jay Jojo Cheng, Jared D. Huling, Guanhua Chen
- Abstract要約: 我々は、サイト固有のITRを共同で学習するITRの個別レベルのメタ分析法を開発した。
また、ITR学習問題に適した情報基準を用いて、モデルチューニングのための適応的な手順を開発する。
- 参考スコア（独自算出の注目度）: 3.432284729311483
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Medical treatments tailored to a patient's baseline characteristics hold the
potential of improving patient outcomes while reducing negative side effects.
Learning individualized treatment rules (ITRs) often requires aggregation of
multiple datasets(sites); however, current ITR methodology does not take
between-site heterogeneity into account, which can hurt model generalizability
when deploying back to each site. To address this problem, we develop a method
for individual-level meta-analysis of ITRs, which jointly learns site-specific
ITRs while borrowing information about feature sign-coherency via a
scientifically-motivated directionality principle. We also develop an adaptive
procedure for model tuning, using information criteria tailored to the ITR
learning problem. We study the proposed methods through numerical experiments
to understand their performance under different levels of between-site
heterogeneity and apply the methodology to estimate ITRs in a large
multi-center database of electronic health records. This work extends several
popular methodologies for estimating ITRs (A-learning, weighted learning) to
the multiple-sites setting.
- Abstract（参考訳）: 患者の基本特性に合わせた治療は、副作用を減少させながら患者の予後を改善する可能性を秘めている。
個別化処理ルール(ITR)の学習には、複数のデータセット(サイト)の集約が必要となることが多いが、現在のITR方法論では、サイト間の不均一性を考慮していないため、各サイトへのデプロイ時にモデルの一般化性が損なわれる可能性がある。
そこで本研究では,ITRの個人レベルでのメタ分析手法を開発し,地域固有のITRを共同で学習すると同時に,科学的に動機付けられた指向性原理を通じて特徴記号コヒーレンシに関する情報を借用する。
また,itr学習問題に適応した情報基準を用いて,モデルチューニングのための適応手順を開発した。
提案手法を数値実験により検討し,多地点間不均一性の異なるレベル下での性能を把握し,その手法を適用して電子健康記録の多施設データベース上でITRを推定する。
この研究は、ITR(Aラーニング、重み付け学習)をマルチサイト設定に推定するためのいくつかの一般的な方法論を拡張した。
関連論文リスト
- Meta-Learners for Partially-Identified Treatment Effects Across Multiple Environments [67.80453452949303]
観察データから条件平均治療効果(CATE)を推定することは、パーソナライズされた医療など多くの応用に関係している。
ここでは、観測データが複数の環境からやってくる広範囲な環境に焦点を当てる。
任意の機械学習モデルと組み合わせて使用可能な境界を推定するために、異なるモデルに依存しない学習者(いわゆるメタ学習者)を提案する。
論文 参考訳（メタデータ） (2024-06-04T16:31:43Z) - Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites:
A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。
我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。
また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
論文 参考訳（メタデータ） (2023-08-31T00:36:10Z) - Efficient and robust transfer learning of optimal individualized
treatment regimes with right-censored survival data [7.308241944759317]
個別治療体制(英: individualized treatment regime、ITR)は、患者の特徴に基づいて治療を割り当てる決定規則である。
本稿では、値関数の2倍頑健な推定器を提案し、その最適ITRは、予め指定されたIRRのクラス内の値関数を最大化することにより学習する。
重篤なメタボリックアシダ血症に対するバイカーボネートナトリウム療法のシミュレーションおよび実データによる評価を行った。
論文 参考訳（メタデータ） (2023-01-13T11:47:10Z) - Pain level and pain-related behaviour classification using GRU-based
sparsely-connected RNNs [61.080598804629375]
慢性的な痛みを持つ人は、特定の身体の動きを無意識に適応させ、怪我や追加の痛みから身を守る。
この相関関係を分析するための専用のベンチマークデータベースが存在しないため、日々の行動に影響を及ぼす可能性のある特定の状況の1つを検討した。
我々は、複数のオートエンコーダを組み込んだゲートリカレントユニット(GRU)と疎結合なリカレントニューラルネットワーク(s-RNN)のアンサンブルを提案した。
本手法は,痛みレベルと痛み関連行動の両方の分類において,最先端のアプローチよりも優れていることを示すいくつかの実験を行った。
論文 参考訳（メタデータ） (2022-12-20T12:56:28Z) - Learning Optimal Dynamic Treatment Regimes Using Causal Tree Methods in
Medicine [20.401805132360654]
最適動的治療体制(DTR)を学習するための2つの新しい方法を開発した。
本手法は,原因木法を用いて不均一な処理効果をデータ駆動で推定する手法である。
提案手法を合成データを用いて評価し,それらを集中治療室からの実世界データに適用する。
論文 参考訳（メタデータ） (2022-04-14T17:27:08Z) - Ambiguous Dynamic Treatment Regimes: A Reinforcement Learning Approach [0.0]
動的処理レジーム(DTR)は、このプロセスの形式化のために広く研究されている。
最適な治療体制を効率的に学習するための強化学習法を開発した。
論文 参考訳（メタデータ） (2021-12-08T20:22:04Z) - Nonparametric Estimation of Heterogeneous Treatment Effects: From Theory
to Learning Algorithms [91.3755431537592]
プラグイン推定と擬似出力回帰に依存する4つの幅広いメタ学習戦略を解析する。
この理論的推論を用いて、アルゴリズム設計の原則を導出し、分析を実践に翻訳する方法について強調する。
論文 参考訳（メタデータ） (2021-01-26T17:11:40Z) - Adversarial Sample Enhanced Domain Adaptation: A Case Study on
Predictive Modeling with Electronic Health Records [57.75125067744978]
ドメイン適応を容易にするデータ拡張手法を提案する。
逆生成したサンプルはドメイン適応時に使用される。
その結果,本手法の有効性とタスクの一般性が確認された。
論文 参考訳（メタデータ） (2021-01-13T03:20:20Z) - Learning Individualized Treatment Rules with Estimated Translated
Inverse Propensity Score [29.606141542532356]
本稿では、個別化された治療規則(ITR)を学習して治療方針を導出することに焦点を当てる。
本フレームワークでは,ITRの学習を文脈的盗聴問題とみなし,治療方針の予測リスクを最小限に抑える。
長期的目標として、当社の方針は、最終的にはIVおよびVPの治験ガイドラインの改善につながる可能性がある。
論文 参考訳（メタデータ） (2020-07-02T13:13:56Z) - DTR Bandit: Learning to Make Response-Adaptive Decisions With Low Regret [59.81290762273153]
動的治療体制 (DTR) はパーソナライズされ適応された多段階の治療計画であり、治療決定を個人の初期特徴に適応させ、その後の各段階における中間結果と特徴に適応させる。
本稿では,探索と搾取を慎重にバランスさせることで,遷移モデルと報酬モデルが線形である場合に,速度-最適後悔を実現する新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-05-06T13:03:42Z)
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。