論文の概要: The Impact of Missing Data on Causal Discovery: A Multicentric Clinical Study

• arxiv url: http://arxiv.org/abs/2305.10050v2
• Date: Fri, 3 Nov 2023 14:37:39 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-06 18:07:18.797544
• Title: The Impact of Missing Data on Causal Discovery: A Multicentric Clinical Study
• Title（参考訳）: 欠失データが因果関係発見に及ぼす影響--多中心性臨床研究
• Authors: Alessio Zanga, Alice Bernasconi, Peter J.F. Lucas, Hanny Pijnenborg, Casper Reijnen, Marco Scutari, Fabio Stella
• Abstract要約: 子宮内膜癌に対する多施設共同研究から得られたデータを用いて,検索した因果グラフに異なる欠損機構が与える影響を解析した。 専門医による回復グラフの検証を行い,本手法が臨床関連ソリューションを見いだすことを示す。
• 参考スコア（独自算出の注目度）: 1.173358409934101
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Causal inference for testing clinical hypotheses from observational data presents many difficulties because the underlying data-generating model and the associated causal graph are not usually available. Furthermore, observational data may contain missing values, which impact the recovery of the causal graph by causal discovery algorithms: a crucial issue often ignored in clinical studies. In this work, we use data from a multi-centric study on endometrial cancer to analyze the impact of different missingness mechanisms on the recovered causal graph. This is achieved by extending state-of-the-art causal discovery algorithms to exploit expert knowledge without sacrificing theoretical soundness. We validate the recovered graph with expert physicians, showing that our approach finds clinically-relevant solutions. Finally, we discuss the goodness of fit of our graph and its consistency from a clinical decision-making perspective using graphical separation to validate causal pathways.
• Abstract（参考訳）: 観察データから臨床仮説をテストする因果推論は、基礎となるデータ生成モデルと関連する因果グラフが一般に利用できないため、多くの困難をもたらす。 さらに、観察データには欠落した値が含まれ、因果発見アルゴリズムによる因果グラフの回復に影響を与える可能性がある。 本研究では, 子宮内膜癌に対する多施設共同研究から得られたデータを用いて, 回復した因果グラフに対する異なる欠損機構の影響を解析する。 これは、最先端の因果発見アルゴリズムを拡張して、理論的な健全性を犠牲にすることなく専門家の知識を活用することで達成される。 専門医による回復グラフの検証を行い,本手法が臨床関連ソリューションを見いだすことを示す。 最後に,グラフの適合性とその整合性について,画像分離を用いた臨床的意思決定の観点から検討し,因果経路の検証を行った。

関連論文リスト

• Causal Graph Aided Causal Discovery in an Observational Aneurysmal Subarachnoid Hemorrhage Study [0.9217021281095907]
  ランダム化臨床試験(RCTs)の有効な補完として、観測データに対する因果推論法がますます認識されている 本報告では,中等教育における「中等教育」の実践について述べる。 動脈瘤下出血(aSAH)患者から得られたデータから概念を導出する また,マルチセンター研究の手法を提案し,個々のセンターレベルでの実践的変化の影響をモニタリングする。
  論文  参考訳（メタデータ） (2024-08-12T19:31:16Z)
• Understanding Breast Cancer Survival: Using Causality and Language Models on Multi-omics Data [23.850817918011863]
  乳がんと診断された患者の生存にゲノムの摂動がどう影響するかを調べるために因果探索アルゴリズムを利用した。 本研究は, 因果発見アルゴリズムを用いた患者の生命予後に関する重要な要因を明らかにするものである。 結果は、バイオメディカル文献に基づいて訓練された言語モデルによって検証される。
  論文  参考訳（メタデータ） (2023-05-28T17:07:46Z)
• Optimizing Data-driven Causal Discovery Using Knowledge-guided Search [3.7489744097107316]
  本研究では,知識誘導型因果構造探索(KGS)手法を提案する。 人工的およびベンチマーク的実世界のデータセットを用いて、KGSを複数の環境で評価し、また、酸素治療に関する実生活医療アプリケーションで評価した。
  論文  参考訳（メタデータ） (2023-04-11T20:56:33Z)
• Learning interpretable causal networks from very large datasets, application to 400,000 medical records of breast cancer patients [1.2647816797166165]
  我々は,汎用的な相互情報最高原理に基づく,より信頼性が高くスケーラブルな因果探索法(iMIIC)を報告する。 乳がん患者396,179名を対象に,iMIICの医療データと実生医療データについて紹介した。
  論文  参考訳（メタデータ） (2023-03-11T15:18:19Z)
• 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)
• Intelligent Sight and Sound: A Chronic Cancer Pain Dataset [74.77784420691937]
  本稿では,Intelligent Sight and Sound (ISS) 臨床試験の一環として収集された,最初の慢性ガン痛データセットを紹介する。 これまで収集されたデータは29の患者、509のスマートフォンビデオ、189,999のフレーム、そして自己報告された感情と活動の痛みのスコアから成っている。 静的画像とマルチモーダルデータを用いて、自己報告された痛みレベルを予測する。
  論文  参考訳（メタデータ） (2022-04-07T22:14:37Z)
• Learning Neural Causal Models with Active Interventions [83.44636110899742]
  本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。 本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。 シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2021-09-06T13:10:37Z)
• Efficient Causal Inference from Combined Observational and Interventional Data through Causal Reductions [68.6505592770171]
  因果効果を推定する際の主な課題の1つである。 そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。 パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-08T14:29:07Z)
• Trajectories, bifurcations and pseudotime in large clinical datasets: applications to myocardial infarction and diabetes data [94.37521840642141]
  混合データ型と欠落値を特徴とする大規模臨床データセット分析のための半教師付き方法論を提案する。 この手法は、次元の減少、データの可視化、クラスタリング、特徴の選択と、部分的に順序付けられた観測列における測地距離(擬時)の定量化のタスクを同時に扱うことのできる弾性主グラフの適用に基づいている。
  論文  参考訳（メタデータ） (2020-07-07T21:04:55Z)
• Estimation of Causal Effects in the Presence of Unobserved Confounding in the Alzheimer's Continuum [3.2489082010225494]
  アルツハイマー病の病因と効果に関する現在の臨床知識から因果グラフを導出する。 因果効果の識別可能性を示すためには,すべての共同創設者の認識と測定が必要である。 理論的解析では,代用共同設立者が神経解剖学の認知に対する因果的影響を識別できることが証明された。
  論文  参考訳（メタデータ） (2020-06-23T16:29:54Z)
• Dynamic Graph Correlation Learning for Disease Diagnosis with Incomplete Labels [66.57101219176275]
  胸部X線画像上の疾患診断は,多ラベル分類の課題である。 本稿では,異なる疾患間の相互依存を調査する新たな視点を提示する病的診断グラフ畳み込みネットワーク(DD-GCN)を提案する。 本手法は,相関学習のための動的隣接行列を用いた特徴写像上のグラフを初めて構築する手法である。
  論文  参考訳（メタデータ） (2020-02-26T17:10:48Z)

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。