論文の概要: Bayesian Semiparametric Model for Sequential Treatment Decisions with Informative Timing

• arxiv url: http://arxiv.org/abs/2211.16393v1
• Date: Tue, 29 Nov 2022 17:17:26 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-30 15:47:26.480573
• Title: Bayesian Semiparametric Model for Sequential Treatment Decisions with Informative Timing
• Title（参考訳）: 逐次的タイミングを考慮したベイズ半パラメトリックモデル
• Authors: Arman Oganisian, Kelly D. Getz, Todd A. Alonzo, Richard Aplenc, Jason A. Roy
• Abstract要約: 動的処理則が生存に与える影響を推定するためのベイズ半パラメトリックモデルを開発した。 データは、第III相AAML1031臨床試験に登録された患者のサブセットから構成される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We develop a Bayesian semi-parametric model for the estimating the impact of dynamic treatment rules on survival among patients diagnosed with pediatric acute myeloid leukemia (AML). The data consist of a subset of patients enrolled in the phase III AAML1031 clinical trial in which patients move through a sequence of four treatment courses. At each course, they undergo treatment that may or may not include anthracyclines (ACT). While ACT is known to be effective at treating AML, it is also cardiotoxic and can lead to early death for some patients. Our task is to estimate the potential survival probability under hypothetical dynamic ACT treatment strategies, but there are several impediments. First, since ACT was not randomized in the trial, its effect on survival is confounded over time. Second, subjects initiate the next course depending on when they recover from the previous course, making timing potentially informative of subsequent treatment and survival. Third, patients may die or drop out before ever completing the full treatment sequence. We develop a generative Bayesian semi-parametric model based on Gamma Process priors to address these complexities. At each treatment course, the model captures subjects' transition to subsequent treatment or death in continuous time under a given rule. A g-computation procedure is used to compute a posterior over potential survival probability that is adjusted for time-varying confounding. Using this approach, we conduct posterior inference for the efficacy of hypothetical treatment rules that dynamically modify ACT based on evolving cardiac function.
• Abstract（参考訳）: 小児急性骨髄性白血病(AML)患者の生存に対する動的治療規則の影響を推定するためのベイズ半パラメトリックモデルを開発した。 データは、第iii相aaml1031臨床試験に登録された患者のサブセットで構成され、患者は4つの治療コースのシーケンスを経る。 それぞれのコースで、アントラサイクリン(act)を含むか、含まないかの治療法を受ける。 ACTはAMLの治療に有効であることが知られているが、心毒性もあり、一部の患者では早期死亡につながることがある。 本研究の目的は, 動的行動療法における生存確率を推定することであるが, 障害はいくつか存在する。 第一に、ACTは試験でランダム化されなかったため、生存に対する効果は時間の経過とともに確立された。 第二に、被験者は前回のコースから回復した時期に応じて次のコースを開始する。 第3に、患者は完全な治療シーケンスが完了する前に死ぬか退院することがある。 我々はこれらの複雑さに対処するためにガンマ過程に基づくベイズ半パラメトリック生成モデルを開発する。 各治療コースにおいて、モデルは、所定の規則の下で、被験者のその後の治療または死への遷移をキャプチャする。 g-computation(g計算)は、時間変化の共起のために調整された潜在的生存確率の後方を計算するために用いられる。 このアプローチを用いて,心機能発達に基づくactを動的に修飾する仮説的治療規則の有効性を後方推定する。

関連論文リスト

• Treatment-wise Glioblastoma Survival Inference with Multi-parametric Preoperative MRI [34.830878479276286]
  MRスキャンに加えて治療情報を組み込んだグリオブラスト腫STの治療条件回帰モデルを提案する。 当社のアプローチでは,各治療の個別モデルをトレーニングする必要はなく,すべての治療から得られるデータを統一的に活用することが可能です。
  論文  参考訳（メタデータ） (2024-02-10T16:13:09Z)
• SPOT: Sequential Predictive Modeling of Clinical Trial Outcome with Meta-Learning [67.8195828626489]
  臨床試験は薬物開発に不可欠であるが、時間を要する、費用がかかる、失敗する傾向がある。 本稿では,まず,複数ソースの臨床試験データを関連するトライアルトピックにクラスタリングするために,臨床トライアル結果の逐次予測mOdeling(SPOT)を提案する。 タスクとして各トライアルシーケンスを考慮して、メタ学習戦略を使用して、モデルが最小限のアップデートで新しいタスクに迅速に適応できるポイントを達成する。
  論文  参考訳（メタデータ） (2023-04-07T23:04:27Z)
• Causal Modeling of Policy Interventions From Sequences of Treatments and Outcomes [5.107614397012659]
  データ駆動意思決定は、ポリシーが変更されたときに何が起こるかを予測する能力を必要とする。 結果がどのように進化するかを予測する既存の方法は、将来の治療の仮のシーケンスが事前に固定されていると仮定する。 実際には、治療は政策によって決定され、以前の治療の効率に依存する可能性がある。
  論文  参考訳（メタデータ） (2022-09-09T06:50:37Z)
• 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)
• Personalized Prediction of Future Lesion Activity and Treatment Effect in Multiple Sclerosis from Baseline MRI [0.34998703934432673]
  本モデルは,MS患者から取得した1817個のマルチシーケンスMRIのプロプライエタリデータセットを用いて検証した。 本フレームワークは,5種類の治療において,今後発症するNE-T2病変の2値化回帰において,高い平均精度を達成している。
  論文  参考訳（メタデータ） (2022-04-01T18:18:12Z)
• A Deep Learning Approach to Predicting Collateral Flow in Stroke Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
  側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。 実際のグレーティングは主に、取得した画像の手動検査によって行われる。 MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
  論文  参考訳（メタデータ） (2021-10-24T18:58:40Z)
• 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)
• 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)
• Survival Analysis Using a 5-Step Stratified Testing and Amalgamation Routine in Randomized Clinical Trials [0.0]
  患者の不均一性の増加は、治療の違いを検出する共通の統計的アプローチの能力を弱める可能性がある。 どちらの治療でも生存を予測できない可能性を持つ塩基性共変体のリストは、事前に特定されている。 条件推論木アルゴリズムを用いて、異種臨床試験集団を予後同種患者のサブ集団に分割する。 提案した5段階の階層化テストとアマルガメーションルーチン(5-STAR)の高消費電力化性能について述べる。
  論文  参考訳（メタデータ） (2020-04-28T15:44:41Z)
• 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。