論文の概要: Assisting Clinical Decisions for Scarcely Available Treatment via
Disentangled Latent Representation
- arxiv url: http://arxiv.org/abs/2307.03315v1
- Date: Thu, 6 Jul 2023 22:02:33 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-10 13:45:56.046445
- Title: Assisting Clinical Decisions for Scarcely Available Treatment via
Disentangled Latent Representation
- Title（参考訳）: 解離型潜伏表現による難治性治療の臨床的評価
- Authors: Bing Xue, Ahmed Sameh Said, Ziqi Xu, Hanyang Liu, Neel Shah, Hanqing
Yang, Philip Payne, Chenyang Lu
- Abstract要約: 適応型自動エンコーダ (TVAE) は, 個別化処理解析のための新しい手法である。
TVAEは、ECMOのようなモデリング上の課題に、強力な治療選択バイアスと不十分な治療ケースで対処するように設計されている。
我々は、63カ国1651の病院から収集された国際データセットと、15の病院から収集された機関データセットの2つの実世界のCOVID-19データセットについてTVAEを評価した。
- 参考スコア（独自算出の注目度）: 5.1828964748013275
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Extracorporeal membrane oxygenation (ECMO) is an essential life-supporting
modality for COVID-19 patients who are refractory to conventional therapies.
However, the proper treatment decision has been the subject of significant
debate and it remains controversial about who benefits from this scarcely
available and technically complex treatment option. To support clinical
decisions, it is a critical need to predict the treatment need and the
potential treatment and no-treatment responses. Targeting this clinical
challenge, we propose Treatment Variational AutoEncoder (TVAE), a novel
approach for individualized treatment analysis. TVAE is specifically designed
to address the modeling challenges like ECMO with strong treatment selection
bias and scarce treatment cases. TVAE conceptualizes the treatment decision as
a multi-scale problem. We model a patient's potential treatment assignment and
the factual and counterfactual outcomes as part of their intrinsic
characteristics that can be represented by a deep latent variable model. The
factual and counterfactual prediction errors are alleviated via a
reconstruction regularization scheme together with semi-supervision, and the
selection bias and the scarcity of treatment cases are mitigated by the
disentangled and distribution-matched latent space and the label-balancing
generative strategy. We evaluate TVAE on two real-world COVID-19 datasets: an
international dataset collected from 1651 hospitals across 63 countries, and a
institutional dataset collected from 15 hospitals. The results show that TVAE
outperforms state-of-the-art treatment effect models in predicting both the
propensity scores and factual outcomes on heterogeneous COVID-19 datasets.
Additional experiments also show TVAE outperforms the best existing models in
individual treatment effect estimation on the synthesized IHDP benchmark
dataset.
- Abstract（参考訳）: 体外膜酸素化(ECMO)は、従来の治療法に耐性がある新型コロナウイルス患者にとって必須の生命維持モーメントである。
しかし、適切な治療決定は重要な議論の対象であり、この希少で技術的に複雑な治療オプションの利点についてはまだ議論が続いている。
臨床判断を支援するためには,治療ニーズと治療の可能性,無治療反応を予測する必要がある。
この臨床課題を対象とし,個別化分析のための新しいアプローチである治療変動オートエンコーダ(tvae)を提案する。
TVAEは、ECMOのようなモデリング上の課題に、強力な治療選択バイアスと不十分な治療ケースで対処するように設計されている。
TVAEは治療決定をマルチスケール問題として概念化している。
本研究は,患者の潜在的治療課題と,深層潜伏変数モデルで表現できる本質的な特徴の一部として,現実的および非現実的結果をモデル化する。
半スーパービジョンと共に再構成正規化スキームにより事実と反事実の予測誤差を軽減し、異方性と分布整合潜在空間とラベルバランス生成戦略により、選択バイアスと治療ケースの不足を軽減させる。
我々は、63カ国1651の病院から収集された国際データセットと、15の病院から収集された機関データセットの2つの実世界のCOVID-19データセットについてTVAEを評価した。
その結果、TVAEは、不均一なCOVID-19データセットの妥当性スコアと事実結果の両方を予測するために、最先端の治療効果モデルより優れていることが示された。
追加実験では、合成したIHDPベンチマークデータセット上で、個別処理効果の推定において、TVAEが最高の既存のモデルより優れていることも示している。
関連論文リスト
- ISLES'24: Improving final infarct prediction in ischemic stroke using multimodal imaging and clinical data [3.2816454618159008]
本研究はISLES'24課題であり, 術前急性期脳梗塞画像と臨床データから最終治療後の脳梗塞予測に対処するものである。
本研究の貢献は2つある: まず, ISLES'24チャレンジを通じて最終脳梗塞セグメンテーションアルゴリズムの標準化ベンチマークを導入する; 次に, マルチモーダルイメージングと臨床データ戦略を用いた梗塞セグメンテーションに関する洞察を提供する。
論文 参考訳（メタデータ） (2024-08-20T16:01:05Z) - Estimating treatment effects from single-arm trials via latent-variable
modeling [14.083487062917085]
すべての患者が治療グループに属しているシングルアーム臨床試験は、有効な代替手段であるが、外部コントロールグループへのアクセスが必要である。
このシナリオに対して、同定可能なディープ潜在変数モデルを提案する。
その結果, 直接治療効果評価と患者マッチングによる効果評価の両面で, 性能が向上した。
論文 参考訳（メタデータ） (2023-11-06T10:12:54Z) - Heterogeneous Treatment Effect Estimation for Observational Data using
Model-based Forests [0.0]
本研究では,観測データにおける不整合問題に対処するため,モデルに基づく森林の修正を提案する。
この戦略は,様々な結果分布を模擬した実験において,コンバウンディング効果を低減させることがわかった。
筋萎縮性側索硬化症の進行に対するリルゾールの潜在的ヘテロジニアス効果を評価することにより,HTEの生存率と経時的成績を推定する実践的側面を示す。
論文 参考訳（メタデータ） (2022-10-06T11:49:39Z) - DESCN: Deep Entire Space Cross Networks for Individual Treatment Effect
Estimation [7.060064266376701]
因果推論は、Eコマースや精密医療など様々な分野で広く応用されている。
本稿では,エンド・ツー・エンドの観点から治療効果をモデル化するためのDeep Entire Space Cross Networks (DESCN)を提案する。
論文 参考訳（メタデータ） (2022-07-19T01:25:31Z) - Benchmarking Heterogeneous Treatment Effect Models through the Lens of
Interpretability [82.29775890542967]
治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。
ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。
我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
論文 参考訳（メタデータ） (2022-06-16T17:59:05Z) - 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) - 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) - Hemogram Data as a Tool for Decision-making in COVID-19 Management:
Applications to Resource Scarcity Scenarios [62.997667081978825]
新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。
本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。
提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
論文 参考訳（メタデータ） (2020-05-10T01:45:03Z) - DTR Bandit: Learning to Make Response-Adaptive Decisions With Low Regret [59.81290762273153]
動的治療体制 (DTR) はパーソナライズされ適応された多段階の治療計画であり、治療決定を個人の初期特徴に適応させ、その後の各段階における中間結果と特徴に適応させる。
本稿では,探索と搾取を慎重にバランスさせることで,遷移モデルと報酬モデルが線形である場合に,速度-最適後悔を実現する新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-05-06T13:03:42Z) - 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。