論文の概要: A Look into Causal Effects under Entangled Treatment in Graphs:
Investigating the Impact of Contact on MRSA Infection
- arxiv url: http://arxiv.org/abs/2307.08237v1
- Date: Mon, 17 Jul 2023 04:38:51 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-18 14:42:49.305557
- Title: A Look into Causal Effects under Entangled Treatment in Graphs:
Investigating the Impact of Contact on MRSA Infection
- Title（参考訳）: グラフの絡み合った治療における因果関係の検討 : MRSA感染に対する接触の影響について
- Authors: Jing Ma, Chen Chen, Anil Vullikanti, Ritwick Mishra, Gregory Madden,
Daniel Borrajo, Jundong Li
- Abstract要約: メチシリン耐性黄色ブドウ球菌(MRSA)は、特定の抗生物質に耐性を持つ細菌であり、MRSA感染の予防が困難である。
観察データからMRSA感染に対する近接接触(治療)の因果効果を推定するために,多くの研究が提案されている。
処理代入機構は、欠落した反事実のパターンを決定する際に重要な役割を果たす。
- 参考スコア（独自算出の注目度）: 33.08260042598704
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Methicillin-resistant Staphylococcus aureus (MRSA) is a type of bacteria
resistant to certain antibiotics, making it difficult to prevent MRSA
infections. Among decades of efforts to conquer infectious diseases caused by
MRSA, many studies have been proposed to estimate the causal effects of close
contact (treatment) on MRSA infection (outcome) from observational data. In
this problem, the treatment assignment mechanism plays a key role as it
determines the patterns of missing counterfactuals -- the fundamental challenge
of causal effect estimation. Most existing observational studies for causal
effect learning assume that the treatment is assigned individually for each
unit. However, on many occasions, the treatments are pairwisely assigned for
units that are connected in graphs, i.e., the treatments of different units are
entangled. Neglecting the entangled treatments can impede the causal effect
estimation. In this paper, we study the problem of causal effect estimation
with treatment entangled in a graph. Despite a few explorations for entangled
treatments, this problem still remains challenging due to the following
challenges: (1) the entanglement brings difficulties in modeling and leveraging
the unknown treatment assignment mechanism; (2) there may exist hidden
confounders which lead to confounding biases in causal effect estimation; (3)
the observational data is often time-varying. To tackle these challenges, we
propose a novel method NEAT, which explicitly leverages the graph structure to
model the treatment assignment mechanism, and mitigates confounding biases
based on the treatment assignment modeling. We also extend our method into a
dynamic setting to handle time-varying observational data. Experiments on both
synthetic datasets and a real-world MRSA dataset validate the effectiveness of
the proposed method, and provide insights for future applications.
- Abstract（参考訳）: メチシリン耐性黄色ブドウ球菌(Methicillin-resistant Staphylococcus aureus、MRSA)は、特定の抗生物質に耐性を持つ細菌の一種であり、MRSA感染の予防が困難である。
MRSAによる感染症の根絶に向けた数十年の努力の中で, MRSA感染(アウトカム)に対する近接接触(治療)の因果効果を観察データから推定する研究が数多く提案されている。
この問題において、治療割当機構は、因果効果推定の基本的な課題である反事実のパターンを決定する上で重要な役割を果たす。
因果効果学習のための既存の観察的研究のほとんどは、治療が各単位ごとに個別に割り当てられていると仮定している。
しかし、多くの場合、処理はグラフに連結された単位に対してペアで割り当てられ、すなわち異なる単位の処理が絡み合っている。
絡み合った治療法の無視は因果効果の推定を妨げうる。
本稿では,グラフに絡み合った治療による因果効果推定の問題について検討する。
絡み合った治療の探索はいくつかあるが,(1) 絡み合いが未知の治療課題のモデル化と活用に困難をもたらすこと,(2) 因果効果推定にバイアスを生じさせる隠れた共同設立者が存在すること,(3) 観測データが時相変化することがしばしばあること,などの課題により,この問題は依然として困難なままである。
これらの課題に取り組むため,我々は,グラフ構造を明示的に活用して治療割当機構をモデル化し,治療割当モデリングに基づく統合バイアスを緩和する新しい手法を提案する。
また,この手法を動的設定に拡張し,時間変動観測データを処理する。
合成データセットと実世界のMRSAデータセットの両方で実験を行い,提案手法の有効性を検証し,今後の応用に向けた洞察を提供する。
関連論文リスト
- Causal Dynamic Variational Autoencoder for Counterfactual Regression in
Longitudinal Data [3.662229789022107]
時間とともに治療効果を推定することは、精密医療、疫学、経済、マーケティングなど多くの現実世界の応用において重要である。
我々は、観測されていないリスク要因、すなわち、結果の順序だけに影響を与える調整変数を仮定することで、異なる視点を取る。
我々は、時間変化効果と未観測の調整変数によって生じる課題に対処する。
論文 参考訳（メタデータ） (2023-10-16T16:32:35Z) - The Blessings of Multiple Treatments and Outcomes in Treatment Effect
Estimation [53.81860494566915]
既存の研究では、プロキシ変数や複数の処理を利用してバイアスを補正している。
多くの実世界のシナリオでは、複数の結果に対する影響を研究することにより大きな関心がある。
この設定に関わる複数の結果の並列研究は、因果同定において互いに助け合うことが示されている。
論文 参考訳（メタデータ） (2023-09-29T14:33:48Z) - Efficient estimation of weighted cumulative treatment effects by
double/debiased machine learning [3.086361225427304]
重み付き累積因果効果に対する一段階のクロスフィット型2重/脱バイアス型機械学習推定器を提案する。
本稿では,イギリスのプライマリ・ケア・データベースからの実世界観測データに提案手法を適用し,抗糖尿病薬のがん効果の比較を行った。
論文 参考訳（メタデータ） (2023-05-03T18:19:18Z) - 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) - 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) - 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) - 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) - DeepRite: Deep Recurrent Inverse TreatmEnt Weighting for Adjusting
Time-varying Confounding in Modern Longitudinal Observational Data [68.29870617697532]
時系列データにおける時間変化の相違に対するDeep Recurrent Inverse TreatmEnt重み付け(DeepRite)を提案する。
DeepRiteは、合成データから基底的真理を復元し、実際のデータから偏りのない処理効果を推定する。
論文 参考訳（メタデータ） (2020-10-28T15:05:08Z) - Enabling Counterfactual Survival Analysis with Balanced Representations [64.17342727357618]
生存データは様々な医学的応用、すなわち薬物開発、リスクプロファイリング、臨床試験で頻繁に見られる。
本稿では,生存結果に適用可能な対実的推論のための理論的基盤を持つ統一的枠組みを提案する。
論文 参考訳（メタデータ） (2020-06-14T01:15:00Z)
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。