論文の概要: Identifying Heterogeneous Treatment Effects in Multiple Outcomes using Joint Confidence Intervals

• arxiv url: http://arxiv.org/abs/2212.01437v1
• Date: Fri, 2 Dec 2022 20:43:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-06 18:00:45.711446
• Title: Identifying Heterogeneous Treatment Effects in Multiple Outcomes using Joint Confidence Intervals
• Title（参考訳）: 共同信頼区間を用いた多症例における異種治療効果の同定
• Authors: Peniel N. Argaw, Elizabeth Healey, Isaac S. Kohane
• Abstract要約: 不均一治療効果(HTEs)はランダム化対照試験(RCTs)において一般的に同定される 共同CIに基づいて,複数の結果にまたがるサブグループを同定する枠組みを提案する。 我々は,2つの結果が存在する合成データと半合成データを用いて本アルゴリズムを検証し,両結果が同時にHTEを捕捉できることを実証した。
• 参考スコア（独自算出の注目度）: 5.3410655248484
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Heterogeneous treatment effects (HTEs) are commonly identified during randomized controlled trials (RCTs). Identifying subgroups of patients with similar treatment effects is of high interest in clinical research to advance precision medicine. Often, multiple clinical outcomes are measured during an RCT, each having a potentially heterogeneous effect. Recently there has been high interest in identifying subgroups from HTEs, however, there has been less focus on developing tools in settings where there are multiple outcomes. In this work, we propose a framework for partitioning the covariate space to identify subgroups across multiple outcomes based on the joint CIs. We test our algorithm on synthetic and semi-synthetic data where there are two outcomes, and demonstrate that our algorithm is able to capture the HTE in both outcomes simultaneously.
• Abstract（参考訳）: 不均一治療効果(HTEs)はランダム化制御試験(RCTs)において一般的に同定される。 類似した治療効果を有する患者のサブグループを特定することは、精密医療を進めるための臨床研究に高い関心を寄せている。 多くの場合、RCT中に複数の臨床結果が測定され、それぞれが潜在的に不均一な効果を持つ。 近年,HTEからサブグループを特定することへの関心が高まっているが,複数の結果が得られた環境でのツール開発にはあまり注目されていない。 本研究では,共変量空間を分割し,共同CIに基づいて複数の結果にまたがる部分群を同定する枠組みを提案する。 我々は,2つの結果が存在する合成データと半合成データを用いてアルゴリズムを検証し,HTEを同時に取得できることを実証した。

関連論文リスト

• Heterogeneous treatment effect estimation with subpopulation identification for personalized medicine in opioid use disorder [8.508048654384787]
  本稿では,サブグループ同定と治療効果推定を組み込んだ,新しいニューラルネットワークベースのフレームワークSubgroupTEを紹介する。 オピオイド使用障害(OUD)に関連する実世界のデータセットの実験は、パーソナライズされた治療勧告を強化するためのアプローチの可能性を示している。
  論文  参考訳（メタデータ） (2024-01-30T14:02:49Z)
• Subgroup analysis methods for time-to-event outcomes in heterogeneous randomized controlled trials [7.940293148084845]
  非有意なランダム化制御試験は、実験薬に対する優れた応答者のサブグループを隠すことができる。 Githubで公開されているオープンソースのPythonパッケージには、生成プロセスと包括的なベンチマークフレームワークが含まれています。
  論文  参考訳（メタデータ） (2024-01-22T11:00:49Z)
• The Blessings of Multiple Treatments and Outcomes in Treatment Effect Estimation [53.81860494566915]
  既存の研究では、プロキシ変数や複数の処理を利用してバイアスを補正している。 多くの実世界のシナリオでは、複数の結果に対する影響を研究することにより大きな関心がある。 この設定に関わる複数の結果の並列研究は、因果同定において互いに助け合うことが示されている。
  論文  参考訳（メタデータ） (2023-09-29T14:33:48Z)
• Ambiguous Medical Image Segmentation using Diffusion Models [60.378180265885945]
  我々は,グループ洞察の分布を学習することで,複数の可算出力を生成する単一拡散モデルに基づくアプローチを提案する。 提案モデルでは,拡散の固有のサンプリングプロセスを利用してセグメンテーションマスクの分布を生成する。 その結果,提案手法は既存の最先端曖昧なセグメンテーションネットワークよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-04-10T17:58:22Z)
• Comparison of Methods that Combine Multiple Randomized Trials to Estimate Heterogeneous Treatment Effects [0.1398098625978622]
  複数のランダム化制御試験を活用することで、データセットと未確立の処理割り当ての組み合わせが可能になる。 本稿では,複数試行データを用いて不均一な治療効果を推定するための非パラメトリックなアプローチについて述べる。
  論文  参考訳（メタデータ） (2023-03-28T20:43:00Z)
• 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)
• On Inductive Biases for Heterogeneous Treatment Effect Estimation [91.3755431537592]
  我々は、異なる治療下で、個人の潜在的成果(PO)の構造的類似性を利用する方法について検討する。 この問題を克服するために、エンドツーエンドの学習戦略を3つ比較する。
  論文  参考訳（メタデータ） (2021-06-07T16:30:46Z)
• Finding Subgroups with Significant Treatment Effects [20.457122933924463]
  ノイズの多いデータからそのようなサブグループを見つけるために特別に最適化された機械学習手法を提案する。 パーソナライズされた治療代行のための方法とは違って、当社のツールは重要なテストを考慮するように設計されている。 統計的に有意な正の処理効果を得る確率を最大化するために選択される部分群を生成する。
  論文  参考訳（メタデータ） (2021-03-12T03:36:03Z)
• Deep Semi-Supervised Embedded Clustering (DSEC) for Stratification of Heart Failure Patients [50.48904066814385]
  本研究では、深層半教師付き組込みクラスタリングを用いて、心不全のデータ駆動型患者サブグループを決定する。 ヘテロジニアスデータから得られた組込み空間から臨床関連クラスタを見出した。 提案アルゴリズムは、異なる結果を持つ患者の新たな未診断サブグループを見つけることができる。
  論文  参考訳（メタデータ） (2020-12-24T12:56:46Z)
• Robust Recursive Partitioning for Heterogeneous Treatment Effects with Uncertainty Quantification [84.53697297858146]
  治療効果のサブグループ分析は、医療から公共政策、レコメンデーターシステムへの応用において重要な役割を担っている。 サブグループ分析の現在の手法のほとんどは、個別化処理効果(ITE)を推定するための特定のアルゴリズムから始まる。 本稿では、これらの弱点に対処する新しい部分群解析法R2Pを開発する。
  論文  参考訳（メタデータ） (2020-06-14T14:50:02Z)

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。