論文の概要: A Bayesian Framework for Causal Analysis of Recurrent Events with Timing Misalignment
- arxiv url: http://arxiv.org/abs/2304.03247v2
- Date: Tue, 12 Nov 2024 04:08:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-13 13:18:06.552501
- Title: A Bayesian Framework for Causal Analysis of Recurrent Events with Timing Misalignment
- Title（参考訳）: 時間的ミスを考慮した連続事象の因果解析のためのベイズ的枠組み
- Authors: Arman Oganisian, Anthony Girard, Jon A. Steingrimsson, Patience Moyo,
- Abstract要約: 目標は、特定のフォローアップウィンドウ上で、指定されたターゲット人口内での2つの治療の下でのイベントレートの違いを推定することである。
このタイミングミスアライメントに対するアドホックな解決策は、前回の事象数と治療時間に誤って寄与することでバイアスを引き起こす可能性がある。
本手法は, 時間変化による治療問題として, 誤認識に対処する。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: Observational studies of recurrent event rates are common in biomedical statistics. Broadly, the goal is to estimate differences in event rates under two treatments within a defined target population over a specified followup window. Estimation with observational data is challenging because, while membership in the target population is defined in terms of eligibility criteria, treatment is rarely observed exactly at the time of eligibility. Ad-hoc solutions to this timing misalignment can induce bias by incorrectly attributing prior event counts and person-time to treatment. Even if eligibility and treatment are aligned, a terminal event process (e.g. death) often stops the recurrent event process of interest. In practice, both processes can be censored so that events are not observed over the entire followup window. Our approach addresses misalignment by casting it as a time-varying treatment problem: some patients are on treatment at eligibility while others are off treatment but may switch to treatment at a specified time - if they survive long enough. We define and identify an average causal effect estimand under right-censoring. Estimation is done using a g-computation procedure with a joint semiparametric Bayesian model for the death and recurrent event processes. We apply the method to contrast hospitalization rates among patients with different opioid treatments using Medicare insurance claims data.
- Abstract（参考訳）: 生体医学統計学では、繰り返し発生する事象率の観察的研究が一般的である。
目的は、特定のフォローアップウィンドウ上で、指定された対象集団内での2つの治療の下でのイベントレートの違いを推定することである。
対象人口のメンバシップが適格基準で定義される一方で、適格基準の時点では治療が正確に観察されることがほとんどないため、観測データによる推定は困難である。
このタイミングミスアライメントに対するアドホックな解決策は、前回の事象数と治療時間に誤って寄与することでバイアスを引き起こす可能性がある。
適格性と治療が整ったとしても、終端イベントプロセス(例えば、死)は、しばしば繰り返し発生するイベントプロセスの関心を停止させる。
実際には、両方のプロセスは、フォローアップウィンドウ全体を通してイベントが観察されないように検閲することができる。
一部の患者は治療中に治療を受けており、他の患者は治療をオフにしていますが、もし十分に長生きすれば、特定の時間で治療に切り替えることができます。
右検閲下での平均因果効果を推定し同定する。
g-computation process with a joint semiparametric Bayesian model for the death and recurrent event process。
医療保険請求データを用いて,オピオイド治療の異なる患者の入院率を比較検討した。
関連論文リスト
- Quantifying Aleatoric Uncertainty of the Treatment Effect: A Novel Orthogonal Learner [72.20769640318969]
医療の安全性と有効性を理解するためには,観測データから因果量の推定が重要である。
医療従事者は、平均因果量の推定だけでなく、治療効果のランダム性をランダムな変数として理解する必要がある。
このランダム性はアレタリック不確実性と呼ばれ、治療効果の利益や量子化の確率を理解するために必要である。
論文 参考訳（メタデータ） (2024-11-05T18:14:49Z) - Learning When to Treat Business Processes: Prescriptive Process
Monitoring with Causal Inference and Reinforcement Learning [0.8318686824572804]
プロセスの成功率の増加、すなわち、ポジティブな結果に終わるケースの割合は、反復的なプロセス改善の目標である。
本稿では,意思決定作業を自動化する規範的モニタリング手法を提案する。
因果推論と強化学習を組み合わせて、ネットゲインを最大化する治療方針を学習する。
論文 参考訳（メタデータ） (2023-03-07T00:46:04Z) - 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) - Causal Modeling of Policy Interventions From Sequences of Treatments and
Outcomes [5.107614397012659]
データ駆動意思決定は、ポリシーが変更されたときに何が起こるかを予測する能力を必要とする。
結果がどのように進化するかを予測する既存の方法は、将来の治療の仮のシーケンスが事前に固定されていると仮定する。
実際には、治療は政策によって決定され、以前の治療の効率に依存する可能性がある。
論文 参考訳（メタデータ） (2022-09-09T06:50:37Z) - 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) - To Impute or not to Impute? -- Missing Data in Treatment Effect
Estimation [84.76186111434818]
我々は,MCM(Mixed Con founded missingness)と呼ばれる新しい欠損機構を同定し,ある欠損度が治療選択を判断し,他の欠損度が治療選択によって決定されることを示した。
本研究は,全てのデータを因果的に入力すると,不偏推定を行うために必要な情報を効果的に除去するので,処理効果のモデルが貧弱になることを示す。
私たちのソリューションは選択的計算であり、CMMからの洞察を使って、どの変数をインプットすべきで、どの変数をインプットすべきでないかを正確に知らせる。
論文 参考訳（メタデータ） (2022-02-04T12:08:31Z) - DRTCI: Learning Disentangled Representations for Temporal Causal
Inference [24.348119894665054]
時間によって異なる共同創設者は、将来の治療課題と患者の結果の両方に影響を及ぼす。
最近提案されたCounterfactual Recurrent Networkは、患者データの履歴表現のバランスをとるために、相手のトレーニングを使用することによって、様々な共同設立者について説明している。
論文 参考訳（メタデータ） (2022-01-20T12:31:04Z) - BITES: Balanced Individual Treatment Effect for Survival data [0.0]
患者予後に対する介入の効果を推定することは、パーソナライズされた医療の重要な側面の1つである。
時間から時間までのデータは、治療最適化にはほとんど使われない。
我々は、治療特異的な半パラメトリックコックス損失と治療バランスの深いディープニューラルネットワークを組み合わせたBITESというアプローチを提案する。
論文 参考訳（メタデータ） (2022-01-05T10:39:31Z) - 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) - Estimating Counterfactual Treatment Outcomes over Time Through
Adversarially Balanced Representations [114.16762407465427]
時間とともに治療効果を推定するためにCRN(Counterfactual Recurrent Network)を導入する。
CRNは、患者履歴のバランスの取れた表現を構築するために、ドメイン敵のトレーニングを使用する。
本モデルでは, 正解率の予測と適切な治療時期の選択において, 誤差の低減を図っている。
論文 参考訳（メタデータ） (2020-02-10T20:47:36Z) - Estimating Treatment Effects using Multiple Surrogates: The Role of the Surrogate Score and the Surrogate Index [4.154846138501937]
治療の長期的な効果を見積もるのは、多くの分野において興味深いことである。
一つのアプローチは、しばしば統計代理と呼ばれる中間結果に対する治療効果を分析することである。
論文 参考訳（メタデータ） (2016-03-30T19:45:52Z)
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。