論文の概要: Counterfactual Prediction Under Outcome Measurement Error
- arxiv url: http://arxiv.org/abs/2302.11121v1
- Date: Wed, 22 Feb 2023 03:34:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-23 16:27:00.617619
- Title: Counterfactual Prediction Under Outcome Measurement Error
- Title(参考訳): 結果測定誤差による反事実予測
- Authors: Luke Guerdan, Amanda Coston, Kenneth Holstein, Zhiwei Steven Wu
- Abstract要約: 本研究では、過去の意思決定方針から結果測定誤差、治療効果、選択バイアスによって導入されたモデル信頼性に対する交差脅威について検討する。
我々は,これらの課題の複合効果を補正するリスク最小化手法を開発した。
- 参考スコア(独自算出の注目度): 29.071173441651734
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Across domains such as medicine, employment, and criminal justice, predictive
models often target labels that imperfectly reflect the outcomes of interest to
experts and policymakers. For example, clinical risk assessments deployed to
inform physician decision-making often predict measures of healthcare
utilization (e.g., costs, hospitalization) as a proxy for patient medical need.
These proxies can be subject to outcome measurement error when they
systematically differ from the target outcome they are intended to measure.
However, prior modeling efforts to characterize and mitigate outcome
measurement error overlook the fact that the decision being informed by a model
often serves as a risk-mitigating intervention that impacts the target outcome
of interest and its recorded proxy. Thus, in these settings, addressing
measurement error requires counterfactual modeling of treatment effects on
outcomes. In this work, we study intersectional threats to model reliability
introduced by outcome measurement error, treatment effects, and selection bias
from historical decision-making policies. We develop an unbiased risk
minimization method which, given knowledge of proxy measurement error
properties, corrects for the combined effects of these challenges. We also
develop a method for estimating treatment-dependent measurement error
parameters when these are unknown in advance. We demonstrate the utility of our
approach theoretically and via experiments on real-world data from randomized
controlled trials conducted in healthcare and employment domains. As
importantly, we demonstrate that models correcting for outcome measurement
error or treatment effects alone suffer from considerable reliability
limitations. Our work underscores the importance of considering intersectional
threats to model validity during the design and evaluation of predictive models
for decision support.
- Abstract(参考訳): 医学、雇用、刑事司法などの領域を越えて、予測モデルは、専門家や政策立案者に不完全な利益を反映するラベルを標的とすることが多い。
例えば、医師の意思決定を知らせるために展開される臨床リスク評価は、しばしば医療費(例えば、コスト、入院)を患者の医療ニーズの代案として予測する。
これらのプロキシは、測定を意図した目標結果と体系的に異なる結果測定誤差を受ける可能性がある。
しかしながら、結果測定誤差を特徴づけ、緩和するための事前モデリングは、モデルによって通知される決定が、しばしば利害の目標結果とその記録されたプロキシに影響を及ぼすリスク軽減の介入として機能するという事実を無視する。
したがって, 測定誤差に対処するには, 結果に対する処理効果の非現実的モデリングが必要である。
本研究では, 結果測定誤差, 治療効果, 選択バイアスを過去の意思決定方針から推定し, モデル信頼性への横断的脅威について検討した。
本研究では,プロキシ測定誤差特性の知識を前提として,これらの課題の複合効果を補正するリスク最小化手法を開発した。
また,治療依存性の測定誤差パラメータを事前に不明な場合に推定する手法を開発した。
提案手法の有効性を理論的に実証するとともに,医療領域や雇用領域で実施されたランダム化制御試験による実世界のデータを用いた実験を行った。
さらに, 結果測定誤差や治療効果を補正するモデルには, 信頼性にかなりの限界があることを示す。
本研究は,意思決定支援のための予測モデルの設計・評価において,モデル妥当性に対する横断的脅威を検討することの重要性を強調する。
関連論文リスト
- Targeted Machine Learning for Average Causal Effect Estimation Using the
Front-Door Functional [3.0232957374216953]
結果に対する治療の平均因果効果(ACE)を評価することは、しばしば観察研究における要因の相違によって引き起こされる課題を克服することを伴う。
本稿では,目標最小損失推定理論に基づいて,正面基準の新たな推定手法を提案する。
本研究では,早期学業成績が今後の年収に与える影響を明らかにするために,これらの推定装置の適用性を示す。
論文 参考訳(メタデータ) (2023-12-15T22:04:53Z) - Domain constraints improve risk prediction when outcome data is missing [1.6840408099522377]
機械学習モデルにより, 検査対象者および検査対象者双方のリスクを正確に推定できることが示唆された。
本研究は,癌リスク予測のケーススタディに適用し,そのモデルが癌診断を予測していることを示す。
論文 参考訳(メタデータ) (2023-12-06T19:49:06Z) - Identifiable causal inference with noisy treatment and no side information [6.432072145009342]
本研究では,不正確な連続処理変数を仮定するモデルを提案する。
我々は,提案モデルの因果効果の推定値が,側情報や測定誤差の分散に関する知識がなくても同定可能であることを証明した。
我々の研究は、信頼できる因果推論を行うアプリケーションの範囲を広げている。
論文 参考訳(メタデータ) (2023-06-18T18:38:10Z) - Boosting the interpretability of clinical risk scores with intervention
predictions [59.22442473992704]
本稿では、今後の介入に関するモデルの仮定を明確に伝達する手段として、介入政策と有害事象リスクの合同モデルを提案する。
死亡確率などの典型的なリスクスコアと将来の介入確率スコアとを組み合わせることで、より解釈可能な臨床予測がもたらされることを示す。
論文 参考訳(メタデータ) (2022-07-06T19:49:42Z) - Benchmarking Heterogeneous Treatment Effect Models through the Lens of
Interpretability [82.29775890542967]
治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。
ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。
我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
論文 参考訳(メタデータ) (2022-06-16T17:59:05Z) - 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) - Counterfactual Predictions under Runtime Confounding [74.90756694584839]
本研究は, 過去のデータからすべての関連要因を抽出した環境で, 事実予測タスクについて検討する。
本稿では,この環境下での対実予測モデル学習のための2次ロバスト手法を提案する。
論文 参考訳(メタデータ) (2020-06-30T15:49:05Z) - Enabling Counterfactual Survival Analysis with Balanced Representations [64.17342727357618]
生存データは様々な医学的応用、すなわち薬物開発、リスクプロファイリング、臨床試験で頻繁に見られる。
本稿では,生存結果に適用可能な対実的推論のための理論的基盤を持つ統一的枠組みを提案する。
論文 参考訳(メタデータ) (2020-06-14T01:15:00Z) - Uncertainty estimation for classification and risk prediction on medical
tabular data [0.0]
本研究は,医療データの分類とリスク予測のための不確実性推定の理解を深めるものである。
医療などのデータ共有分野において、モデルの予測の不確実性を測定する能力は、意思決定支援ツールの改善につながる可能性がある。
論文 参考訳(メタデータ) (2020-04-13T08:46:41Z) - Learning to Predict Error for MRI Reconstruction [67.76632988696943]
提案手法による予測の不確実性は予測誤差と強く相関しないことを示す。
本稿では,2段階の予測誤差の目標ラベルと大小を推定する新しい手法を提案する。
論文 参考訳(メタデータ) (2020-02-13T15:55:32Z)
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。