論文の概要: Counterfactual Formulation of Patient-Specific Root Causes of Disease

• arxiv url: http://arxiv.org/abs/2305.17574v1
• Date: Sat, 27 May 2023 20:24:27 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-30 18:05:38.560049
• Title: Counterfactual Formulation of Patient-Specific Root Causes of Disease
• Title（参考訳）: 疾患原因の患者特異的根の偽造
• Authors: Eric V. Strobl
• Abstract要約: 根の疾患の原因は、診断の可能性を高める根の頂点に直感的に対応している。 以前の研究では、パールズ・ラダー・オブ・コーセーション(英語版)の第2ランにしか登らない介入主義者のアカウントを使用して、患者固有の疾患の根本原因を定義していた。 固定された事実データのみに基づく臨床的直観に一致する対実的定義を提案する。
• 参考スコア（独自算出の注目度）: 7.6146285961466
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Root causes of disease intuitively correspond to root vertices that increase the likelihood of a diagnosis. This description of a root cause nevertheless lacks the rigorous mathematical formulation needed for the development of computer algorithms designed to automatically detect root causes from data. Prior work defined patient-specific root causes of disease using an interventionalist account that only climbs to the second rung of Pearl's Ladder of Causation. In this theoretical piece, we climb to the third rung by proposing a counterfactual definition matching clinical intuition based on fixed factual data alone. We then show how to assign a root causal contribution score to each variable using Shapley values from explainable artificial intelligence. The proposed counterfactual formulation of patient-specific root causes of disease accounts for noisy labels, adapts to disease prevalence and admits fast computation without the need for counterfactual simulation.
• Abstract（参考訳）: 疾患の根原因は、診断の可能性を増加させる根頂点と直感的に一致する。 この根本原因の記述は、データから根本原因を自動的に検出するように設計されたコンピュータアルゴリズムの開発に必要な厳密な数学的定式化を欠いている。 以前の研究では、パール病原病の患者固有の根本原因を、パール病原病の第二のラングにのみ登る介入主義的説明を用いて定義した。 本論では,固定された事実データのみに基づく臨床的直観に一致する対実的定義を提唱し,第3段階まで登頂する。 次に、説明可能な人工知能のShapley値を用いて、各変数に根因果寄与スコアを割り当てる方法を示す。 提案する患者固有の疾患の根源原因の偽りの定式化は,ノイズラベルを伴い,疾患の流行に適応し,偽りのシミュレーションを必要とせずに高速な計算が可能となる。

関連論文リスト

• Root Cause Analysis of Outliers with Missing Structural Knowledge [13.152501863685478]
  本研究では,定量的寄与分析ではなく,一意の根本原因を同定する作業において,簡易かつ効率的な根本原因解析法を提案する。 提案手法は,SCMノードの線形順序で動作し,因果DAGのみを必要とする。 非単調な異常スコアを持つ因果経路の可能性を示すため, 小さいスコアを持つ異常が大きなスコアを生じさせる可能性は低いことを証明した。
  論文  参考訳（メタデータ） (2024-06-07T15:24:38Z)
• Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
  本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。 我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
  論文  参考訳（メタデータ） (2023-06-01T10:51:58Z)
• Sample-Specific Root Causal Inference with Latent Variables [10.885111578191564]
  ルート因果解析は、望ましくない結果を引き起こす初期摂動の集合を同定しようとする。 我々はShapley値を用いて予測率を厳格に定量化した。 本稿では, 汚染条件を回復するために, 抽出エラー (Extract Errors with Latents, EEL) と呼ばれる手法を提案する。
  論文  参考訳（メタデータ） (2022-10-27T11:33:26Z)
• Identifying Patient-Specific Root Causes with the Heteroscedastic Noise Model [10.885111578191564]
  本研究は, 患者特異的根本原因の同定に焦点をあて, 構造方程式モデルにおける誤差項の標本特異的予測性について考察する。 Generalized Root Causal Inference (GRCI) と呼ばれるアルゴリズムを用いてエラー項を正しく抽出する。
  論文  参考訳（メタデータ） (2022-05-25T23:51:31Z)
• 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)
• Typing assumptions improve identification in causal discovery [123.06886784834471]
  観測データからの因果発見は、正確な解を常に特定できない難しい課題である。 そこで本研究では,変数の性質に基づいた因果関係を制約する仮説を新たに提案する。
  論文  参考訳（メタデータ） (2021-07-22T14:23:08Z)
• Nested Counterfactual Identification from Arbitrary Surrogate Experiments [95.48089725859298]
  観測と実験の任意の組み合わせからネスト反事実の同定について検討した。 具体的には、任意のネストされた反事実を非ネストされたものへ写像できる反ファクト的非ネスト定理(英語版)(CUT)を証明する。
  論文  参考訳（メタデータ） (2021-07-07T12:51:04Z)
• The Causal Neural Connection: Expressiveness, Learnability, and Inference [125.57815987218756]
  構造因果モデル (Structuor causal model, SCM) と呼ばれるオブジェクトは、調査中のシステムのランダムな変動のメカニズムと源の集合を表す。 本稿では, 因果的階層定理 (Thm. 1, Bareinboim et al., 2020) がまだニューラルモデルに対して成り立っていることを示す。 我々はニューラル因果モデル(NCM)と呼ばれる特殊なタイプのSCMを導入し、因果推論に必要な構造的制約をエンコードする新しいタイプの帰納バイアスを定式化する。
  論文  参考訳（メタデータ） (2021-07-02T01:55:18Z)
• Causal Expectation-Maximisation [70.45873402967297]
  ポリツリーグラフを特徴とするモデルにおいても因果推論はNPハードであることを示す。 我々は因果EMアルゴリズムを導入し、分類的表現変数のデータから潜伏変数の不確かさを再構築する。 我々は、反事実境界が構造方程式の知識なしにしばしば計算できるというトレンドのアイデアには、目立たずの制限があるように思える。
  論文  参考訳（メタデータ） (2020-11-04T10:25:13Z)
• Towards Causality-Aware Inferring: A Sequential Discriminative Approach for Medical Diagnosis [142.90770786804507]
  医学診断アシスタント(MDA)は、疾患を識別するための症状を逐次調査する対話型診断エージェントを構築することを目的としている。 この研究は、因果図を利用して、MDAにおけるこれらの重要な問題に対処しようとする。 本稿では,他の記録から知識を引き出すことにより,非記録的調査に効果的に答える確率に基づく患者シミュレータを提案する。
  論文  参考訳（メタデータ） (2020-03-14T02:05:54Z)

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。