論文の概要: Causal thinking for decision making on Electronic Health Records: why and how

• arxiv url: http://arxiv.org/abs/2308.01605v4
• Date: Wed, 11 Dec 2024 13:59:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-12 13:58:56.853349
• Title: Causal thinking for decision making on Electronic Health Records: why and how
• Title（参考訳）: 電子健康記録における意思決定のための因果的思考--なぜ、どのようにして
• Authors: Matthieu Doutreligne, Tristan Struja, Judith Abecassis, Claire Morgand, Leo Anthony Celi, Gaël Varoquaux,
• Abstract要約: データ駆動決定には因果思考が必要である。 実生活の患者記録から有効な意思決定を支援するための,ステップバイステップのフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 7.5158549898780445
• License:
• Abstract: Accurate predictions, as with machine learning, may not suffice to provide optimal healthcare for every patient. Indeed, prediction can be driven by shortcuts in the data, such as racial biases. Causal thinking is needed for data-driven decisions. Here, we give an introduction to the key elements, focusing on routinely-collected data, electronic health records (EHRs) and claims data. Using such data to assess the value of an intervention requires care: temporal dependencies and existing practices easily confound the causal effect. We present a step-by-step framework to help build valid decision making from real-life patient records by emulating a randomized trial before individualizing decisions, eg with machine learning. Our framework highlights the most important pitfalls and considerations in analysing EHRs or claims data to draw causal conclusions. We illustrate the various choices in studying the effect of albumin on sepsis mortality in the Medical Information Mart for Intensive Care database (MIMIC-IV). We study the impact of various choices at every step, from feature extraction to causal-estimator selection. In a tutorial spirit, the code and the data are openly available.
• Abstract（参考訳）: 正確な予測は、機械学習と同様に、すべての患者に最適な医療を提供するのに十分ではないかもしれない。 実際、予測は、人種バイアスのようなデータのショートカットによって駆動される。 データ駆動決定には因果思考が必要である。 ここでは、日常的に収集されたデータ、電子健康記録(EHR)、クレームデータに焦点を当てた重要な要素について紹介する。 このようなデータを使って介入の価値を評価するには注意が必要だ。 ランダム化試行をエミュレートして実生活の患者記録から有効な意思決定を行うためのステップ・バイ・ステップのフレームワークを提案する。 我々のフレームワークは、因果的な結論を引き出すための EHR やクレームデータを分析する上で、最も重要な落とし穴と考慮事項を強調します。 集中治療データベース(MIMIC-IV)において,アルブミンが敗血症死亡率に及ぼす影響について検討した。 特徴抽出から因果推定器の選択に至るまで,各ステップにおける様々な選択の影響について検討する。 チュートリアルの精神では、コードとデータは公開されています。

関連論文リスト

• Temporal-spatial Correlation Attention Network for Clinical Data Analysis in Intensive Care Unit [27.885961694582896]
  本稿では,臨床特性予測問題に対処するための時間・適応相関注意ネットワーク(TSCAN)を提案する。 本手法は,アテンションメカニズムモデルの設計に基づいて,臨床データおよび無関係ノードにおける無関係項目を効果的に除去することができる。 また,治療方法の改善に有効な重要な結果を示す重要な臨床指標も見出すことができる。
  論文  参考訳（メタデータ） (2023-06-03T00:38:40Z)
• A Machine Learning Model for Predicting, Diagnosing, and Mitigating Health Disparities in Hospital Readmission [0.0]
  本稿では,データ中のバイアスの検出と緩和とモデル予測が可能な機械学習パイプラインを提案する。 提案手法の有効性を,精度と公正度の測定値を用いて評価した。
  論文  参考訳（メタデータ） (2022-06-13T16:07:25Z)
• Practical Challenges in Differentially-Private Federated Survival Analysis of Medical Data [57.19441629270029]
  本稿では,ニューラルネットワークの本質的特性を活用し,生存分析モデルの訓練過程を関連づける。 小さな医療データセットと少数のデータセンターの現実的な設定では、このノイズはモデルを収束させるのが難しくなります。 DPFed-post は,私的フェデレート学習方式に後処理の段階を追加する。
  論文  参考訳（メタデータ） (2022-02-08T10:03:24Z)
• How to Leverage Multimodal EHR Data for Better Medical Predictions? [13.401754962583771]
  電子健康記録(EHR)データの複雑さは、ディープラーニングの適用の課題である。 本稿では,まずEHRから臨床ノートを抽出し,これらのデータを統合する方法を提案する。 2つの医療予測タスクの結果、異なるデータを持つ融合モデルが最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2021-10-29T13:26:05Z)
• Causal Markov Boundaries [0.0]
  観測データを用いて特徴選択と効果推定を改善する方法を紹介します。 本論文では,マルコフ境界の概念を治療成果ペアに拡張する。
  論文  参考訳（メタデータ） (2021-03-12T22:49:10Z)
• HINT: Hierarchical Interaction Network for Trial Outcome Prediction Leveraging Web Data [56.53715632642495]
  臨床試験は、有効性、安全性、または患者採用の問題により、不確実な結果に直面する。 本稿では,より一般的な臨床試験結果予測のための階層型Interaction Network(HINT)を提案する。
  論文  参考訳（メタデータ） (2021-02-08T15:09:07Z)
• Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
  臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。 退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。 複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
  論文  参考訳（メタデータ） (2021-02-08T10:26:44Z)
• BiteNet: Bidirectional Temporal Encoder Network to Predict Medical Outcomes [53.163089893876645]
  本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。 エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。 実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
  論文  参考訳（メタデータ） (2020-09-24T00:42:36Z)
• 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)
• DeepEnroll: Patient-Trial Matching with Deep Embedding and Entailment Prediction [67.91606509226132]
  臨床試験は医薬品開発に不可欠であるが、高価で不正確で不十分な患者募集に苦しむことが多い。 DeepEnrollは、入力基準(タブラリデータ)を一致する推論のための共有潜在空間に共同でエンコードする、クロスモーダル推論学習モデルである。
  論文  参考訳（メタデータ） (2020-01-22T17:51:25Z)

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。