論文の概要: Causal Discovery with Stage Variables for Health Time Series

• arxiv url: http://arxiv.org/abs/2305.03662v1
• Date: Fri, 5 May 2023 16:30:28 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-08 13:14:04.118530
• Title: Causal Discovery with Stage Variables for Health Time Series
• Title（参考訳）: 健康時系列のステージ変数による因果発見
• Authors: Bharat Srikishan and Samantha Kleinberg
• Abstract要約: Causal Discovery with Stage Variables (CDSV)は、ステージ変数を使用して複数の時系列からのデータを重み付けし、ステージ毎に異なる因果関係を説明できる。 シミュレーションデータでは、CDSVはベースラインに比べて偽の発見が少なく、eICUではベースラインよりもFDRが低く、MIMIC-IIIでは高血圧の臨床的に関係のある原因を発見できる。
• 参考スコア（独自算出の注目度）: 3.0712335337791288
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Using observational data to learn causal relationships is essential when randomized experiments are not possible, such as in healthcare. Discovering causal relationships in time-series health data is even more challenging when relationships change over the course of a disease, such as medications that are most effective early on or for individuals with severe disease. Stage variables such as weeks of pregnancy, disease stages, or biomarkers like HbA1c, can influence what causal relationships are true for a patient. However, causal inference within each stage is often not possible due to limited amounts of data, and combining all data risks incorrect or missed inferences. To address this, we propose Causal Discovery with Stage Variables (CDSV), which uses stage variables to reweight data from multiple time-series while accounting for different causal relationships in each stage. In simulated data, CDSV discovers more causes with fewer false discoveries compared to baselines, in eICU it has a lower FDR than baselines, and in MIMIC-III it discovers more clinically relevant causes of high blood pressure.
• Abstract（参考訳）: 医療などランダムな実験ができない場合には、観察データを使って因果関係を学習することが不可欠である。 時系列の健康データから因果関係を発見することは、重篤な疾患の患者に最も効果のある薬など、疾患の経過とともに関係が変化する場合にさらに困難である。 妊娠の週、病期、hba1cのようなバイオマーカーなどのステージ変数は、患者にとって因果関係が何であるかに影響を与える可能性がある。 しかし、各段階での因果推論は、データ量が限られているためしばしば不可能であり、すべてのデータリスクが不正または欠落した推論と組み合わせられる。 そこで本研究では,ステージ変数を用いて複数の時系列データの重み付けを行い,各ステージの因果関係を考慮に入れたCausal Discovery with Stage Variables(CDSV)を提案する。 シミュレーションデータでは、CDSVはベースラインに比べて偽の発見が少なく、eICUではベースラインよりもFDRが低く、MIMIC-IIIでは高血圧の臨床的に関係のある原因を発見できる。

関連論文リスト

• A Causal Framework for Decomposing Spurious Variations [68.12191782657437]
  我々はマルコフモデルとセミマルコフモデルの急激な変分を分解するツールを開発する。 突発効果の非パラメトリック分解を可能にする最初の結果を証明する。 説明可能なAIや公平なAIから、疫学や医学における疑問まで、いくつかの応用がある。
  論文  参考訳（メタデータ） (2023-06-08T09:40:28Z)
• Imbalanced Aircraft Data Anomaly Detection [103.01418862972564]
  航空シナリオ下でのセンサーからの時間データの異常検出は実用的だが難しい課題である。 本稿では,グラフィカル・テンポラル・データ分析フレームワークを提案する。 シリーズ・トゥ・イメージ (S2I) と呼ばれる3つのモジュール、ユークリッド距離 (CRD) を用いたクラスタ・ベース・リサンプリング・アプローチ、変数・ベース・ロス (VBL) から構成される。
  論文  参考訳（メタデータ） (2023-05-17T09:37:07Z)
• Active Bayesian Causal Inference [72.70593653185078]
  因果発見と推論を統合するための完全ベイズ能動学習フレームワークであるアクティブベイズ因果推論(ABCI)を提案する。 ABCIは因果関係のモデルと関心のクエリを共同で推論する。 我々のアプローチは、完全な因果グラフの学習のみに焦点を当てた、いくつかのベースラインよりも、よりデータ効率が高いことを示す。
  論文  参考訳（メタデータ） (2022-06-04T22:38:57Z)
• Identifying Patient-Specific Root Causes of Disease [10.885111578191564]
  複雑な疾患は、患者によって異なるさまざまな要因によって引き起こされる。 非常に予測可能な根本原因のいくつかは、いずれにせよ各患者に疾患を発生させる可能性がある。
  論文  参考訳（メタデータ） (2022-05-23T20:54:24Z)
• Obtaining Causal Information by Merging Datasets with MAXENT [12.64433334351049]
  我々は,すべての変数を共同で観察することなく,因果的知識の獲得方法について論じる。 共同創設者の存在下での対象変数に対する治療の介入分布と平均因果効果の限界を導出する。
  論文  参考訳（メタデータ） (2021-07-15T23:16:36Z)
• Discovery of Causal Additive Models in the Presence of Unobserved Variables [6.670414650224422]
  観測されていない変数に影響されたデータからの因果発見は、重要だが解決が難しい問題である。 本研究では,非観測変数に偏らされることなく理論的に同定可能なすべての因果関係を同定する手法を提案する。
  論文  参考訳（メタデータ） (2021-06-04T03:28:27Z)
• Causal Hidden Markov Model for Time Series Disease Forecasting [21.10268531186633]
  早期に非可逆性疾患のロバストな予測を実現するために,因果的隠れマルコフモデルを提案する。 本モデルは,乳頭萎縮の早期予測に応用し,アウトオブディストリビューションテストデータで有望な結果を得た。
  論文  参考訳（メタデータ） (2021-03-30T14:34:15Z)
• Robustness to Spurious Correlations via Human Annotations [100.63051542531171]
  本稿では,人間に共通する因果関係の知識を活用して,素因関係に頑健なモデルを構築するための枠組みを提案する。 具体的には、人間のアノテーションを使用して、潜在的な未測定変数でトレーニング例を拡大する。 次に,未測定変数(UV-DRO)に対する分布性に頑健な新たな最適化手法を導入し,テスト時間シフトによる最悪の損失を制御する。
  論文  参考訳（メタデータ） (2020-07-13T20:05:19Z)
• Amortized Causal Discovery: Learning to Infer Causal Graphs from Time-Series Data [63.15776078733762]
  本稿では,時系列データから因果関係を推定する新しいフレームワークであるAmortized Causal Discoveryを提案する。 本研究では,本手法が変分モデルとして実装され,因果発見性能が大幅に向上することを示した。
  論文  参考訳（メタデータ） (2020-06-18T19:59:12Z)
• A General Framework for Survival Analysis and Multi-State Modelling [70.31153478610229]
  ニューラル常微分方程式を多状態生存モデル推定のためのフレキシブルで一般的な方法として用いる。 また,本モデルでは,サバイバルデータセット上での最先端性能を示すとともに,マルチステート環境での有効性を示す。
  論文  参考訳（メタデータ） (2020-06-08T19:24:54Z)

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。