論文の概要: Temporal Causal Mediation through a Point Process: Direct and Indirect
Effects of Healthcare Interventions
- arxiv url: http://arxiv.org/abs/2306.09656v1
- Date: Fri, 16 Jun 2023 07:23:28 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-19 14:50:52.525854
- Title: Temporal Causal Mediation through a Point Process: Direct and Indirect
Effects of Healthcare Interventions
- Title（参考訳）: ポイントプロセスによる時間的因果調停:医療介入の直接的・間接的影響
- Authors: \c{C}a\u{g}lar H{\i}zl{\i}, ST John, Anne Juuti, Tuure Saarinen, Kirsi
Pietil\"ainen, Pekka Marttinen
- Abstract要約: 因果仲裁分析により、介入の直接効果と間接効果を区別することができる。
動的因果媒介分析への既存のアプローチは、通常の測定間隔に限られている。
本稿では,媒介者を時間点過程とみなす非パラメトリック媒介者-アウトカムモデルを提案する。
- 参考スコア（独自算出の注目度）: 5.107614397012659
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Deciding on an appropriate intervention requires a causal model of a
treatment, the outcome, and potential mediators. Causal mediation analysis lets
us distinguish between direct and indirect effects of the intervention, but has
mostly been studied in a static setting. In healthcare, data come in the form
of complex, irregularly sampled time-series, with dynamic interdependencies
between a treatment, outcomes, and mediators across time. Existing approaches
to dynamic causal mediation analysis are limited to regular measurement
intervals, simple parametric models, and disregard long-range mediator--outcome
interactions. To address these limitations, we propose a non-parametric
mediator--outcome model where the mediator is assumed to be a temporal point
process that interacts with the outcome process. With this model, we estimate
the direct and indirect effects of an external intervention on the outcome,
showing how each of these affects the whole future trajectory. We demonstrate
on semi-synthetic data that our method can accurately estimate direct and
indirect effects. On real-world healthcare data, our model infers clinically
meaningful direct and indirect effect trajectories for blood glucose after a
surgery.
- Abstract（参考訳）: 適切な介入を決定するには、治療の因果モデル、結果、潜在的な仲介者が必要である。
因果媒介分析により、介入の直接効果と間接効果を区別できるが、主に静的な環境で研究されている。
医療では、データは複雑で不規則にサンプリングされた時系列の形で、治療、結果、メディエーター間の動的相互依存性を持つ。
動的因果媒介分析への既存のアプローチは、通常の測定間隔、単純なパラメトリックモデル、長距離メディエータ-アウトカム相互作用を無視している。
これらの制約に対処するため,我々は,中間子を結果プロセスと相互作用する時間的点過程と仮定した非パラメトリックメディエータ-アウトカムモデルを提案する。
このモデルを用いて, 結果に対する外部介入の直接的および間接的影響を推定し, それぞれが将来の軌道にどのように影響するかを示す。
本手法は半合成データを用いて直接的および間接的効果を正確に推定できることを示す。
実世界の医療データから,手術後の血糖値に対する臨床的に有意な直接的および間接的効果の軌跡を推測した。
関連論文リスト
- Higher-Order Causal Message Passing for Experimentation with Complex Interference [6.092214762701847]
本研究では、因果的メッセージパッシングに基づく新しい推定器のクラスを導入し、広範で未知な干渉のある設定に特化して設計する。
我々の推定器は、サンプルの平均値と時間とともに単位結果と処理のばらつきから情報を抽出し、観測データの効率的な利用を可能にする。
論文 参考訳（メタデータ） (2024-11-01T18:00:51Z) - Causal Message Passing for Experiments with Unknown and General Network Interference [5.294604210205507]
複雑で未知のネットワーク干渉に対応する新しいフレームワークを提案する。
我々のフレームワークは因果的メッセージパッシングと呼ばれ、高次元近似的メッセージパッシング手法に基づいている。
本手法の有効性を5つの数値シナリオで示す。
論文 参考訳（メタデータ） (2023-11-14T17:31:50Z) - Doubly Robust Estimation of Direct and Indirect Quantile Treatment
Effects with Machine Learning [0.0]
本稿では, 直接的および間接的量子的処理効果の機械学習推定器を提案する。
提案手法は,確率結果の累積分布関数の効率的なスコア関数に基づく。
また,統計的推測のための乗算器ブートストラップを提案し,乗算器の有効性を示す。
論文 参考訳（メタデータ） (2023-07-03T14:27:15Z) - Disentangled Representation for Causal Mediation Analysis [25.114619307838602]
因果媒介分析(英: Causal mediation analysis)は、直接的および間接的な効果を明らかにするためにしばしば用いられる方法である。
深層学習はメディエーション分析において有望であるが、現在の手法では、治療、メディエーター、結果に同時に影響を及ぼす潜在的共同創設者のみを前提としている。
そこで本研究では,助成金の表現を3つのタイプに分けて,自然的直接効果,自然間接効果,および全効果を正確に推定する,ディスタングル・メディエーション分析変分自動エンコーダ(DMAVAE)を提案する。
論文 参考訳（メタデータ） (2023-02-19T23:37:17Z) - A Reinforcement Learning Framework for Dynamic Mediation Analysis [16.284199152492487]
無限地平線設定における動的媒介効果を評価するための強化学習フレームワークを提案する。
平均治療効果を即時直接効果、即時媒介効果、遅延直接効果、遅延媒介効果に分解する。
我々はこれらの因果効果を推定するために、RLフレームワークの下で頑健で半パラメトリックで効率的な推定器を開発する。
論文 参考訳（メタデータ） (2023-01-31T00:50:05Z) - Zero-shot causal learning [64.9368337542558]
CaMLは因果メタラーニングフレームワークであり、各介入の効果をタスクとしてパーソナライズした予測を定式化する。
トレーニング時に存在しない新規介入のパーソナライズされた効果を予測することができることを示す。
論文 参考訳（メタデータ） (2023-01-28T20:14:11Z) - 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) - Neighborhood Adaptive Estimators for Causal Inference under Network
Interference [152.4519491244279]
我々は,古典的非干渉仮説の違反を考える。つまり,ある個人に対する治療が他者の結果に影響を及ぼす可能性がある。
干渉をトラクタブルにするために、干渉がどのように進行するかを記述する既知のネットワークを考える。
このような環境下での処理に対する平均的直接的処理効果の予測について検討した。
論文 参考訳（メタデータ） (2022-12-07T14:53:47Z) - Disentangled Counterfactual Recurrent Networks for Treatment Effect
Inference over Time [71.30985926640659]
本稿では,DCRN(Disentangled Counterfactual Recurrent Network)を提案する。
時間とともに治療効果の因果構造に完全にインスパイアされたアーキテクチャでは、予測精度と疾患理解が向上する。
実データとシミュレーションデータの両方において,DCRNが処理応答予測の最先端手法より優れていることを示す。
論文 参考訳（メタデータ） (2021-12-07T16:40:28Z) - 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) - Generalization Bounds and Representation Learning for Estimation of
Potential Outcomes and Causal Effects [61.03579766573421]
代替薬に対する患者一人の反応など,個人レベルの因果効果の推定について検討した。
我々は,表現の誘導的処理群距離を正規化することにより,境界を最小化する表現学習アルゴリズムを考案した。
これらのアルゴリズムを拡張して、重み付き表現を同時に学習し、治療群距離をさらに削減する。
論文 参考訳（メタデータ） (2020-01-21T10:16:33Z)
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。