論文の概要: Accounting For Informative Sampling When Learning to Forecast Treatment Outcomes Over Time

• arxiv url: http://arxiv.org/abs/2306.04255v1
• Date: Wed, 7 Jun 2023 08:51:06 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-08 15:30:32.305004
• Title: Accounting For Informative Sampling When Learning to Forecast Treatment Outcomes Over Time
• Title（参考訳）: 経時的に治療結果を予測するための学習時の情報サンプリングのための会計
• Authors: Toon Vanderschueren, Alicia Curth, Wouter Verbeke and Mihaela van der Schaar
• Abstract要約: 適切な基準を満たさない場合,情報サンプリングは治療結果の正確な推定を禁止できることが示唆された。 逆強度重み付けを用いた情報サンプリングの存在下での処理結果を学習するための一般的な枠組みを提案する。 本稿では,ニューラルCDEを用いてこのフレームワークをインスタンス化する新しい手法であるTESAR-CDEを提案する。
• 参考スコア（独自算出の注目度）: 66.08455276899578
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning (ML) holds great potential for accurately forecasting treatment outcomes over time, which could ultimately enable the adoption of more individualized treatment strategies in many practical applications. However, a significant challenge that has been largely overlooked by the ML literature on this topic is the presence of informative sampling in observational data. When instances are observed irregularly over time, sampling times are typically not random, but rather informative -- depending on the instance's characteristics, past outcomes, and administered treatments. In this work, we formalize informative sampling as a covariate shift problem and show that it can prohibit accurate estimation of treatment outcomes if not properly accounted for. To overcome this challenge, we present a general framework for learning treatment outcomes in the presence of informative sampling using inverse intensity-weighting, and propose a novel method, TESAR-CDE, that instantiates this framework using Neural CDEs. Using a simulation environment based on a clinical use case, we demonstrate the effectiveness of our approach in learning under informative sampling.
• Abstract（参考訳）: 機械学習(ml)は、時間の経過とともに治療結果を正確に予測する大きな可能性を秘めている。 しかし、この話題に関するML文献にほとんど見落とされてきた重要な課題は、観測データに情報的サンプリングが存在することである。 インスタンスが経時的に不規則に観察される場合、サンプリング時間は一般的にランダムではなく、インスタンスの特性、過去の結果、管理された治療に依存する。 本研究では,情報サンプリングを共変量シフト問題として定式化し,適切な説明がなければ,治療結果の正確な推定を禁止できることを示す。 この課題を克服するために,逆強度重み付けを用いた情報サンプリングの存在下での治療成果を学習するための汎用的な枠組みを提案し,ニューラルcdsを用いてこの枠組みをインスタンス化する新しい方法であるtesar-cdeを提案する。 臨床応用事例に基づくシミュレーション環境を用いて,情報サンプリングによる学習におけるアプローチの有効性を実証した。

関連論文リスト

• Robust Real-Time Mortality Prediction in the Intensive Care Unit using Temporal Difference Learning [3.6548171581505375]
  時間差学習(TD)学習は、学習を終末結果ではなく状態遷移のパターンに一般化することで、分散を減らすことができる。 本研究では,Semi-Markov Reward Processを用いて,実時間不規則な時系列データにTD学習を適用するためのフレームワークを定義する。 我々は,集中治療の死亡率を予測するためのモデル枠組みを評価し,この枠組みの下でのTD学習が,標準的な教師付き学習法と比較してモデルロバスト性の向上をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-11-06T22:11:20Z)
• Multi-CATE: Multi-Accurate Conditional Average Treatment Effect Estimation Robust to Unknown Covariate Shifts [12.289361708127876]
  我々は、CATE T-learnerを後処理するために、マルチ精度の予測子を学習するために方法論を使用する。 このアプローチは、(より大きな)確立された観測データと(より小さな)ランダム化されたデータセットを組み合わせることができることを示す。
  論文  参考訳（メタデータ） (2024-05-28T14:12:25Z)
• Temporal Output Discrepancy for Loss Estimation-based Active Learning [65.93767110342502]
  ラベルのないサンプルが高損失を伴っていると信じられている場合に,データアノテーションのオラクルに問い合わせる,新しいディープラーニングアプローチを提案する。 本手法は,画像分類やセマンティックセグメンテーションタスクにおける最先端の能動学習手法よりも優れた性能を実現する。
  論文  参考訳（メタデータ） (2022-12-20T19:29:37Z)
• Continuous-Time Modeling of Counterfactual Outcomes Using Neural Controlled Differential Equations [84.42837346400151]
  反現実的な結果を予測することは、パーソナライズされたヘルスケアをアンロックする可能性がある。 既存の因果推論アプローチでは、観察と治療決定の間の通常の離散時間間隔が考慮されている。 そこで本研究では,腫瘍増殖モデルに基づく制御可能なシミュレーション環境を提案する。
  論文  参考訳（メタデータ） (2022-06-16T17:15:15Z)
• Non-Stationary Bandit Learning via Predictive Sampling [15.88678122212934]
  非定常環境ではトンプソンサンプリングが不十分であることを示す。 本稿では,有効性を急速に失う情報を優先的に抽出するアルゴリズムである予測サンプリングを提案する。
  論文  参考訳（メタデータ） (2022-05-04T09:37:16Z)
• 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)
• SurvITE: Learning Heterogeneous Treatment Effects from Time-to-Event Data [83.50281440043241]
  時系列データから不均一な処理効果を推定する問題について検討する。 本稿では,バランス表現に基づく治療特異的ハザード推定のための新しいディープラーニング手法を提案する。
  論文  参考訳（メタデータ） (2021-10-26T20:13:17Z)
• MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
  本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。 我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。 我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
  論文  参考訳（メタデータ） (2020-10-08T15:30:17Z)
• 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)

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。