論文の概要: Application of targeted maximum likelihood estimation in public health
and epidemiological studies: a systematic review
- arxiv url: http://arxiv.org/abs/2303.07329v1
- Date: Mon, 13 Mar 2023 17:50:03 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-14 13:26:55.959693
- Title: Application of targeted maximum likelihood estimation in public health
and epidemiological studies: a systematic review
- Title(参考訳): 公衆衛生・疫学研究における目標最大推定の応用--体系的考察
- Authors: Matthew J. Smith, Rachael V. Phillips, Miguel Angel Luque-Fernandez,
Camille Maringe
- Abstract要約: Targeted Maximum Likelihood Estimation frameworkは、機械学習、統計理論、統計推論を統合している。
我々は、観察研究にTMLEのあらゆる形態を適用した論文について、PubMedで体系的な文献レビューを行う。
81の出版物のうち25%はカリフォルニア大学バークレー校が発祥で、このフレームワークが最初に開発された。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The Targeted Maximum Likelihood Estimation (TMLE) statistical data analysis
framework integrates machine learning, statistical theory, and statistical
inference to provide a least biased, efficient and robust strategy for
estimation and inference of a variety of statistical and causal parameters. We
describe and evaluate the epidemiological applications that have benefited from
recent methodological developments. We conducted a systematic literature review
in PubMed for articles that applied any form of TMLE in observational studies.
We summarised the epidemiological discipline, geographical location, expertise
of the authors, and TMLE methods over time. We used the Roadmap of Targeted
Learning and Causal Inference to extract key methodological aspects of the
publications. We showcase the contributions to the literature of these TMLE
results. Of the 81 publications included, 25% originated from the University of
California at Berkeley, where the framework was first developed by Professor
Mark van der Laan. By the first half of 2022, 70% of the publications
originated from outside the United States and explored up to 7 different
epidemiological disciplines in 2021-22. Double-robustness, bias reduction and
model misspecification were the main motivations that drew researchers towards
the TMLE framework. Through time, a wide variety of methodological, tutorial
and software-specific articles were cited, owing to the constant growth of
methodological developments around TMLE. There is a clear dissemination trend
of the TMLE framework to various epidemiological disciplines and to increasing
numbers of geographical areas. The availability of R packages, publication of
tutorial papers, and involvement of methodological experts in applied
publications have contributed to an exponential increase in the number of
studies that understood the benefits, and adoption, of TMLE.
- Abstract(参考訳): target maximum likelihood estimation (tmle) 統計データ分析フレームワークは、機械学習、統計理論、統計推論を統合し、様々な統計パラメータと因果パラメータの推定と推論のための最小バイアス、効率的かつ堅牢な戦略を提供する。
近年の方法論的発展の恩恵を受けた疫学的応用を記述・評価した。
われわれはPubMedで,観察研究にTMLEの任意の形態を適用した論文について,系統的な文献レビューを行った。
我々は,疫学の分野,地理的位置,著者の専門知識,TMLE法を時間とともに要約した。
目標学習と因果推論のロードマップを用いて,出版物の方法論的側面を抽出した。
我々はこれらのTMLE結果の文献への貢献を紹介する。
81の出版物のうち25%はカリフォルニア大学バークレー校出身で、このフレームワークはMark van der Laan教授によって最初に開発された。
2022年前半までに、出版物の70%はアメリカ国外から始まり、2021-22年には7つの異なる疫学分野を調査した。
ダブルロバスト性、バイアス低減、モデルミススペクテーションは、研究者をTMLEフレームワークへと導く主要な動機となった。
TMLEの方法論的展開が絶え間なく進展するため,時間を通じて様々な方法論,チュートリアル,ソフトウェア固有の記事が引用された。
TMLEフレームワークの様々な疫学分野への明確な普及傾向と地理的領域の増加傾向がある。
rパッケージの入手、チュートリアル論文の発行、応用出版への方法論専門家の関与は、tmleの利点と採用を理解した研究の数を指数関数的に増加させた。
関連論文リスト
- Deep Learning for Pancreas Segmentation: a Systematic Review [0.5714074111744111]
膵分離のための多くの深層学習モデルが近年提案されている。
腹部CTにて小径の膵分画が困難であった。
論文 参考訳(メタデータ) (2024-07-23T09:05:23Z) - A Survey of Models for Cognitive Diagnosis: New Developments and Future Directions [66.40362209055023]
本研究の目的は,認知診断の現在のモデルについて,機械学習を用いた新たな展開に注目した調査を行うことである。
モデル構造,パラメータ推定アルゴリズム,モデル評価方法,適用例を比較して,認知診断モデルの最近の傾向を概観する。
論文 参考訳(メタデータ) (2024-07-07T18:02:00Z) - SciRIFF: A Resource to Enhance Language Model Instruction-Following over Scientific Literature [80.49349719239584]
SciRIFF(Scientific Resource for Instruction-Following and Finetuning, SciRIFF)は、54のタスクに対して137Kの命令追従デモのデータセットである。
SciRIFFは、幅広い科学分野の研究文献から情報を抽出し、合成することに焦点を当てた最初のデータセットである。
論文 参考訳(メタデータ) (2024-06-10T21:22:08Z) - Seeing Unseen: Discover Novel Biomedical Concepts via
Geometry-Constrained Probabilistic Modeling [53.7117640028211]
同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。
構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。
スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
論文 参考訳(メタデータ) (2024-03-02T00:56:05Z) - Using Large Language Models to Automate Category and Trend Analysis of
Scientific Articles: An Application in Ophthalmology [4.455826633717872]
本稿では,Large Language Models (LLM) のパワーを活用した記事分類の自動手法を提案する。
平均精度は0.86、平均F1は0.85である。
モデルの他の科学分野への拡張性は、様々な分野にわたる研究やトレンド分析の促進にその影響を広げる。
論文 参考訳(メタデータ) (2023-08-31T12:45:53Z) - Discovering Mental Health Research Topics with Topic Modeling [13.651763262606782]
本研究は,精神保健研究論文の大規模データセットを解析することにより,現場における一般的な傾向を把握し,ハイインパクトな研究トピックを特定することを目的とする。
本データセットは、精神保健に関する96,676件の研究論文からなり、その要約を用いて、異なるトピック間の関係を調べることができる。
分析を強化するため,精神保健研究に応用された機械学習モデルの包括的概要を提供するために,ワードクラウドも生成した。
論文 参考訳(メタデータ) (2023-08-25T05:25:05Z) - Data-Centric Epidemic Forecasting: A Survey [56.99209141838794]
この調査は、様々なデータ駆動の方法論および実践的進歩を掘り下げるものである。
疫学的なデータセットと,流行予測に関連する新しいデータストリームを列挙する。
また,これらの予測システムの現実的な展開において生じる経験や課題についても論じる。
論文 参考訳(メタデータ) (2022-07-19T16:15:11Z) - Deep forecasting of translational impact in medical research [1.8130872753848115]
我々は,多スケールパブリッシュデータの表現的および識別的数学的モデルスイートを開発する。
我々は、引用は、特許、ガイドライン、政策文書に含めることにより判断される翻訳効果の適度な予測のみであることを示す。
我々は、従来の引用に基づく手法よりも、コンテンツに基づく影響モデルの方がパフォーマンスに優れていると論じる。
論文 参考訳(メタデータ) (2021-10-17T19:29:41Z) - STELAR: Spatio-temporal Tensor Factorization with Latent Epidemiological
Regularization [76.57716281104938]
我々は,多くの地域の流行傾向を同時に予測するテンソル法を開発した。
stelarは離散時間差分方程式のシステムを通じて潜在時間正規化を組み込むことで長期予測を可能にする。
我々は、カウンティレベルと州レベルのCOVID-19データの両方を用いて実験を行い、このモデルが流行の興味深い潜伏パターンを識別できることを示します。
論文 参考訳(メタデータ) (2020-12-08T21:21:47Z) - An efficient representation of chronological events in medical texts [9.118144540451514]
臨床ノートで利用可能な時系列イベントから学習するための体系的手法を提案した。
提案手法は,任意の種類の逐次イベントの非パラメトリック階層表現を生成する。
この手法は、英国で最大の中等医療精神保健 EHR データを用いて開発され、外部で検証された。
論文 参考訳(メタデータ) (2020-10-16T14:54:29Z) - A Survey on Causal Inference [64.45536158710014]
因果推論は統計学、コンピュータ科学、教育、公共政策、経済学など、多くの分野において重要な研究トピックである。
観測データに対する様々な因果効果推定法が誕生した。
論文 参考訳(メタデータ) (2020-02-05T21:35:29Z)
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。