論文の概要: Efficient and robust transfer learning of optimal individualized
treatment regimes with right-censored survival data
- arxiv url: http://arxiv.org/abs/2301.05491v1
- Date: Fri, 13 Jan 2023 11:47:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-16 15:11:46.618282
- Title: Efficient and robust transfer learning of optimal individualized
treatment regimes with right-censored survival data
- Title（参考訳）: 右室生存データを用いた最適な個別化治療体制の効率的かつ堅牢な伝達学習
- Authors: Pan Zhao, Julie Josse, Shu Yang
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 7.308241944759317
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: An individualized treatment regime (ITR) is a decision rule that assigns
treatments based on patients' characteristics. The value function of an ITR is
the expected outcome in a counterfactual world had this ITR been implemented.
Recently, there has been increasing interest in combining heterogeneous data
sources, such as leveraging the complementary features of randomized controlled
trial (RCT) data and a large observational study (OS). Usually, a covariate
shift exists between the source and target population, rendering the
source-optimal ITR unnecessarily optimal for the target population. We present
an efficient and robust transfer learning framework for estimating the optimal
ITR with right-censored survival data that generalizes well to the target
population. The value function accommodates a broad class of functionals of
survival distributions, including survival probabilities and restrictive mean
survival times (RMSTs). We propose a doubly robust estimator of the value
function, and the optimal ITR is learned by maximizing the value function
within a pre-specified class of ITRs. We establish the $N^{-1/3}$ rate of
convergence for the estimated parameter indexing the optimal ITR, and show that
the proposed optimal value estimator is consistent and asymptotically normal
even with flexible machine learning methods for nuisance parameter estimation.
We evaluate the empirical performance of the proposed method by simulation
studies and a real data application of sodium bicarbonate therapy for patients
with severe metabolic acidaemia in the intensive care unit (ICU), combining a
RCT and an observational study with heterogeneity.
- Abstract（参考訳）: 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。
ITRの価値関数は、このITRを実装した反ファクトの世界における期待結果である。
近年、ランダム化比較試験(RCT)データと大規模な観測研究(OS)の相補的特徴を活用するなど、異種データソースの組み合わせへの関心が高まっている。
通常、ソースとターゲットの人口の間に共変量シフトが存在し、ソース最適itrがターゲットの人口に不必要に最適となる。
本報告では, 最適ITRを, 対象個体群によく適応する右検閲生存データを用いて推定するための, 効率的かつ堅牢な移動学習フレームワークを提案する。
価値関数は、生存確率および制限平均生存時間(rmsts)を含む、生存分布の幅広い種類の機能に対応している。
我々は,値関数の二重ロバスト推定器を提案し,事前特定したクラス内の値関数を最大化することで最適なitrを学習する。
最適itrを指標とした推定パラメータの収束率である$n^{-1/3} を定式化し,提案する最適値推定器が,ニュアサンスパラメータ推定のためのフレキシブルな機械学習手法においても安定かつ漸近的に正常であることを示す。
集中治療室 (ICU) における重篤な代謝性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と実データによる評価を行い, RCT と不均一性を用いた観察的検討を行った。
関連論文リスト
- Adaptive-TMLE for the Average Treatment Effect based on Randomized Controlled Trial Augmented with Real-World Data [0.0]
ランダム化制御試験(RCT)データと実世界データ(RWD)データの両方が利用可能である場合,平均処理効果(ATE)を推定する問題を考察する。
適応型最小損失ベース推定フレームワークを導入して推定する。
論文 参考訳（メタデータ） (2024-05-12T07:10:26Z) - Robust Learning for Optimal Dynamic Treatment Regimes with Observational Data [0.0]
本研究では,各段階の個人に対する最適な治療課題を個人の歴史に基づいて導く,最適な動的治療体制(DTR)の統計的学習について検討する。
逐次的無知を前提とした観測データを用いて最適なDTRを学習するためのステップワイド・ダブル・ロバスト手法を提案する。
論文 参考訳（メタデータ） (2024-03-30T02:33:39Z) - Fusing Individualized Treatment Rules Using Secondary Outcomes [7.657053163626398]
我々は、一次結果の値関数を最大化するだけでなく、二次結果の最適規則を近似するITRを学ぶ。
代理損失関数を用いてITRを推定する2つのアルゴリズムを提案する。
一次結果の推定IRRと二次結果の最適IRRとの一致率は、二次結果が考慮されない場合よりも早く真の一致率に収束することを示す。
論文 参考訳（メタデータ） (2024-02-13T22:16:36Z) - B-Learner: Quasi-Oracle Bounds on Heterogeneous Causal Effects Under
Hidden Confounding [51.74479522965712]
本稿では,B-Learnerと呼ばれるメタラーナーを提案する。
我々は、その推定が有効で、鋭く、効率的であることを証明し、既存の方法よりも一般的な条件下で構成推定器に対して準オーラル特性を持つことを示した。
論文 参考訳（メタデータ） (2023-04-20T18:07:19Z) - Auto-FedRL: Federated Hyperparameter Optimization for
Multi-institutional Medical Image Segmentation [48.821062916381685]
Federated Learning(FL)は、明示的なデータ共有を避けながら協調的なモデルトレーニングを可能にする分散機械学習技術である。
本稿では,Auto-FedRLと呼ばれる,効率的な強化学習(RL)に基づくフェデレーションハイパーパラメータ最適化アルゴリズムを提案する。
提案手法の有効性は,CIFAR-10データセットと2つの実世界の医用画像セグメンテーションデータセットの不均一なデータ分割に対して検証される。
論文 参考訳（メタデータ） (2022-03-12T04:11:42Z) - Targeted Optimal Treatment Regime Learning Using Summary Statistics [12.767669486030352]
我々は、ソースとターゲットの集団が不均一である可能性のあるITR推定問題を考える。
我々は、利用可能な要約統計を利用して、所定の対象人口に対してITRを調整する重み付けフレームワークを開発する。
具体的には,対象集団の値関数の補正された逆確率重み付き推定器を提案し,最適ITRを推定する。
論文 参考訳（メタデータ） (2022-01-17T06:11:31Z) - Assessment of Treatment Effect Estimators for Heavy-Tailed Data [70.72363097550483]
ランダム化制御試験(RCT)における治療効果の客観的評価における中心的な障害は、その性能をテストするための基礎的真理(または検証セット)の欠如である。
この課題に対処するための新しいクロスバリデーションのような方法論を提供する。
本手法は,Amazonサプライチェーンに実装された709RCTに対して評価を行った。
論文 参考訳（メタデータ） (2021-12-14T17:53:01Z) - Stochastic Optimization of Areas Under Precision-Recall Curves with
Provable Convergence [66.83161885378192]
ROC(AUROC)と精度リコール曲線(AUPRC)の下の領域は、不均衡問題に対する分類性能を評価するための一般的な指標である。
本稿では,深層学習のためのAUPRCの最適化手法を提案する。
論文 参考訳（メタデータ） (2021-04-18T06:22:21Z) - Bootstrapping Your Own Positive Sample: Contrastive Learning With
Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。
EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。
私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文 参考訳（メタデータ） (2021-04-07T06:02:04Z) - Estimating heterogeneous survival treatment effect in observational data
using machine learning [9.951103976634407]
観測データにおける不均一な処理効果を推定する方法は, 連続的あるいは二分的な結果に大きく焦点を絞っている。
対物的フレームワークで柔軟な機械学習手法を使用することは、複雑な個人特性による課題に対処するための有望なアプローチである。
論文 参考訳（メタデータ） (2020-08-17T01:02:14Z) - 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。