論文の概要: Augmented Learning of Heterogeneous Treatment Effects via Gradient Boosting Trees

• arxiv url: http://arxiv.org/abs/2302.01367v1
• Date: Thu, 2 Feb 2023 19:10:04 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-06 18:35:17.857251
• Title: Augmented Learning of Heterogeneous Treatment Effects via Gradient Boosting Trees
• Title（参考訳）: グラディエントブースティングツリーによる不均一処理効果の増強学習
• Authors: Heng Chen, Michael L. LeBlanc and James Y. Dai
• Abstract要約: 異種治療効果(HTE)を推定するための2段階統計学習手法を提案する。 第1段階は、結果に基づいてベースラインマーカーの主効果等価性を推定し、その後、HTEの第二段階推定において拡張項として使用される。 HTEの証拠を世界規模で評価するための置換試験が提案されている。
• 参考スコア（独自算出の注目度）: 0.2320417845168326
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Heterogeneous treatment effects (HTE) based on patients' genetic or clinical factors are of significant interest to precision medicine. Simultaneously modeling HTE and corresponding main effects for randomized clinical trials with high-dimensional predictive markers is challenging. Motivated by the modified covariates approach, we propose a two-stage statistical learning procedure for estimating HTE with optimal efficiency augmentation, generalizing to arbitrary interaction model and exploiting powerful extreme gradient boosting trees (XGBoost). Target estimands for HTE are defined in the scale of mean difference for quantitative outcomes, or risk ratio for binary outcomes, which are the minimizers of specialized loss functions. The first stage is to estimate the main-effect equivalency of the baseline markers on the outcome, which is then used as an augmentation term in the second stage estimation for HTE. The proposed two-stage procedure is robust to model mis-specification of main effects and improves efficiency for estimating HTE through nonparametric function estimation, e.g., XGBoost. A permutation test is proposed for global assessment of evidence for HTE. An analysis of a genetic study in Prostate Cancer Prevention Trial led by the SWOG Cancer Research Network, is conducted to showcase the properties and the utilities of the two-stage method.
• Abstract（参考訳）: 患者の遺伝子的・臨床的要因に基づく異種治療効果(hte)は、精密医療に重要な関心を寄せている。 高次元予測マーカーを用いたランダム化臨床試験のhteと対応する主要効果を同時にモデル化することは困難である。 本稿では,HTEを最適効率で推定し,任意の相互作用モデルに一般化し,強力な極度勾配向上木(XGBoost)を活用するための2段階統計学習手法を提案する。 HTEの目標推定値は、定量的な結果の平均差の尺度、または特殊な損失関数の最小値である二分結果のリスク比で定義される。 第1段階は、結果に基づいてベースラインマーカーの主効果等価性を推定し、HTEの第2段階推定において拡張項として使用される。 提案した2段階の手順は、主効果の誤特定をモデル化し、XGBoostなどの非パラメトリック関数推定によるHTEの推定効率を向上させる。 HTEの証拠を世界規模で評価するための置換試験が提案されている。 swog cancer research network が主導する前立腺がん予防治験における遺伝子研究の分析を行い、2段階法の特性と有用性について紹介した。

関連論文リスト

• Enhanced Prediction of Ventilator-Associated Pneumonia in Patients with Traumatic Brain Injury Using Advanced Machine Learning Techniques [0.0]
  外傷性脳損傷(TBI)患者の呼吸器関連肺炎(VAP)は重大な死亡リスクをもたらす。 TBI患者のVAPのタイムリーな検出と予後は、患者の予後を改善し、医療資源の負担を軽減するために重要である。 我々はMIMIC-IIIデータベースを用いて6つの機械学習モデルを実装した。
  論文  参考訳（メタデータ） (2024-08-02T09:44:18Z)
• A Weighted Prognostic Covariate Adjustment Method for Efficient and Powerful Treatment Effect Inferences in Randomized Controlled Trials [0.28087862620958753]
  ランダム化制御試験(RCT)の重要な課題は、効率的な推定器と治療効果の強力な試験を得られる統計手法を特定することである。 過去の制御データに基づいて生成AIアルゴリズムを訓練することにより、RDT参加者のためのデジタルツインジェネレータ(DTG)を構築することができる。 DTGは、RTT参加者の潜在的制御結果の確率分布を生成する。
  論文  参考訳（メタデータ） (2023-09-25T16:14:13Z)
• Heterogeneous Treatment Effect Estimation for Observational Data using Model-based Forests [0.0]
  本研究では,観測データにおける不整合問題に対処するため,モデルに基づく森林の修正を提案する。 この戦略は,様々な結果分布を模擬した実験において,コンバウンディング効果を低減させることがわかった。 筋萎縮性側索硬化症の進行に対するリルゾールの潜在的ヘテロジニアス効果を評価することにより,HTEの生存率と経時的成績を推定する実践的側面を示す。
  論文  参考訳（メタデータ） (2022-10-06T11:49:39Z)
• 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)
• 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)
• Cardiovascular Disease Prediction using Recursive Feature Elimination and Gradient Boosting Classification Techniques [0.0]
  本稿では,心疾患の正確な予測を実現するため,RFE-GBアルゴリズムを提案する。 CVDに重要な特徴を持つ患者の健康記録を, 評価のために分析した。
  論文  参考訳（メタデータ） (2021-06-11T16:17:42Z)
• 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)
• Bayesian prognostic covariate adjustment [59.75318183140857]
  疾患の結果に関する歴史的データは、様々な方法で臨床試験の分析に組み込むことができる。 我々は, 予測モデルからの予後スコアを用いて, 治療効果推定の効率を向上する既存の文献に基づいて構築する。
  論文  参考訳（メタデータ） (2020-12-24T05:19:03Z)
• Increasing the efficiency of randomized trial estimates via linear adjustment for a prognostic score [59.75318183140857]
  ランダム化実験による因果効果の推定は臨床研究の中心である。 歴史的借用法のほとんどは、厳格なタイプiエラー率制御を犠牲にして分散の削減を達成する。
  論文  参考訳（メタデータ） (2020-12-17T21:10:10Z)
• Improved Preterm Prediction Based on Optimized Synthetic Sampling of EHG Signal [3.0625456792807424]
  子宮収縮と電気活動の相互関係は、子宮電気ヒステグラム(EHG)を早期発見と予測のための有望な方向へと導く。 EHGシグナルの不足、特に短期患者の信号の不足により、合成アルゴリズムを適用して、事前型の人工的なサンプルを作成する。
  論文  参考訳（メタデータ） (2020-07-03T01:12:31Z)
• Learning for Dose Allocation in Adaptive Clinical Trials with Safety Constraints [84.09488581365484]
  新しい化合物の有効性と毒性の関係がより複雑になるにつれて、第1相線量測定試験はますます困難になっている。 最も一般的に使われている方法は、毒性事象のみから学習することで、最大許容量(MTD)を特定することである。 本稿では, 毒性安全性の制約を高い確率で満たしつつ, 累積効果を最大化することを目的とした, 適応型臨床試験手法を提案する。
  論文  参考訳（メタデータ） (2020-06-09T03:06:45Z)

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。