論文の概要: CTP:A Causal Interpretable Model for Non-Communicable Disease Progression Prediction

• arxiv url: http://arxiv.org/abs/2308.09735v2
• Date: Fri, 22 Sep 2023 05:54:02 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-25 18:16:26.260757
• Title: CTP:A Causal Interpretable Model for Non-Communicable Disease Progression Prediction
• Title（参考訳）: ctp:非感染性疾患進行予測のための因果解釈モデル
• Authors: Zhoujian Sun, Wenzhuo Zhang, Zhengxing Huang, Nai Ding, Cheng Luo
• Abstract要約: 本稿では,その限界に対応するために,因果軌道予測(CTP)と呼ばれる新しいモデルを提案する。 CTPは、軌跡予測と因果発見を組み合わせて、疾患進行軌跡の正確な予測を可能にする。 シミュレーションおよび実際の医療データセットを用いてモデルの性能を評価する。
• 参考スコア（独自算出の注目度）: 12.282670150417953
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Non-communicable disease is the leading cause of death, emphasizing the need for accurate prediction of disease progression and informed clinical decision-making. Machine learning (ML) models have shown promise in this domain by capturing non-linear patterns within patient features. However, existing ML-based models cannot provide causal interpretable predictions and estimate treatment effects, limiting their decision-making perspective. In this study, we propose a novel model called causal trajectory prediction (CTP) to tackle the limitation. The CTP model combines trajectory prediction and causal discovery to enable accurate prediction of disease progression trajectories and uncover causal relationships between features. By incorporating a causal graph into the prediction process, CTP ensures that ancestor features are not influenced by the treatment of descendant features, thereby enhancing the interpretability of the model. By estimating the bounds of treatment effects, even in the presence of unmeasured confounders, the CTP provides valuable insights for clinical decision-making. We evaluate the performance of the CTP using simulated and real medical datasets. Experimental results demonstrate that our model achieves satisfactory performance, highlighting its potential to assist clinical decisions. Source code is in \href{https://github.com/DanielSun94/CFPA}{here}.
• Abstract（参考訳）: 非感染性疾患は死因の主要な原因であり、疾患の進行の正確な予測の必要性を強調し、臨床的な意思決定を知らせる。 機械学習(ML)モデルは、患者機能内の非線形パターンをキャプチャすることで、この領域で有望であることを示している。 しかし、既存のMLベースのモデルは因果的解釈可能な予測や治療効果を予測できないため、意思決定の視点は制限される。 本研究では,この限界に対応するために,因果軌道予測(CTP)と呼ばれる新しいモデルを提案する。 CTPモデルは、軌跡予測と因果発見を組み合わせて、疾患進行軌跡の正確な予測を可能にし、特徴間の因果関係を明らかにする。 因果グラフを予測プロセスに組み込むことで、CTPは祖先の特徴が子孫の特徴の扱いに影響されないことを保証し、モデルの解釈可能性を高める。 治療効果の限界を推定することにより、測定されていない共同創設者の存在下においても、CTPは臨床的意思決定に有用な洞察を提供する。 シミュレーションと実際の医療データを用いてctpの性能を評価する。 実験の結果,本モデルは良好な成績を得られ,臨床判断支援の可能性を強調した。 ソースコードは \href{https://github.com/DanielSun94/CFPA}{here} にある。

関連論文リスト

• Prediction of Lung Metastasis from Hepatocellular Carcinoma using the SEER Database [0.9055332067000195]
  肝細胞癌(HCC)は、がん関連死亡の原因である。 HCCにおける肺転移の予測モデルは、範囲と臨床応用性に限られている。 本研究では,Surveillance, Epidemiology, End Results (SEER)データベースのデータを用いて,エンドツーエンドの機械学習パイプラインの開発と検証を行う。
  論文  参考訳（メタデータ） (2025-01-20T20:06:31Z)
• Physics-informed deep learning for infectious disease forecasting [2.938382489367582]
  物理インフォームドニューラルネットワーク(PINN)に基づく新しい感染症予測モデルを提案する。 提案するPINNモデルでは,障害伝達の動的システム表現を損失関数に組み込む。 ケース数、死亡数、入院数に関するPINNモデルの予測は、既存のベンチマークと一致している。
  論文  参考訳（メタデータ） (2025-01-16T05:07:05Z)
• SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
  セプシスは米国での院内死亡の主な原因である。 既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。 限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-24T04:47:36Z)
• Conditional Score-Based Diffusion Model for Cortical Thickness Trajectory Prediction [29.415616701032604]
  アルツハイマー病(英: Alzheimer's Disease、AD)は、個人間での進行率の多様性を特徴とする神経変性疾患である。 与えられたベースライン情報を用いてCThトラジェクトリを生成する条件付きスコアベース拡散モデルを提案する。 本モデルでは6～36ヶ月のCThに比べて95%間隔が狭いほぼゼロバイアスを有する。
  論文  参考訳（メタデータ） (2024-03-11T17:26:18Z)
• Deep Stable Representation Learning on Electronic Health Records [8.256340233221112]
  CHE(Causal Healthcare Embedding)は、診断と処置の依存関係を取り除くことで、突発的な統計的関係を取り除くことを目的としている。 提案手法は,既存の深層学習モデルをEHR上で拡張可能な,フレキシブルなプラグアンドプレイモジュールとして利用できる。
  論文  参考訳（メタデータ） (2022-09-03T04:10:45Z)
• 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)
• What Do You See in this Patient? Behavioral Testing of Clinical NLP Models [69.09570726777817]
  本稿では,入力の変化に関する臨床結果モデルの振る舞いを評価する拡張可能なテストフレームワークを提案する。 私たちは、同じデータを微調整しても、モデル行動は劇的に変化し、最高のパフォーマンスのモデルが常に最も医学的に可能なパターンを学習していないことを示しています。
  論文  参考訳（メタデータ） (2021-11-30T15:52:04Z)
• When in Doubt: Neural Non-Parametric Uncertainty Quantification for Epidemic Forecasting [70.54920804222031]
  既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。 不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。 本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
  論文  参考訳（メタデータ） (2021-06-07T18:31:47Z)
• Bayesian prognostic covariate adjustment [59.75318183140857]
  疾患の結果に関する歴史的データは、様々な方法で臨床試験の分析に組み込むことができる。 我々は, 予測モデルからの予後スコアを用いて, 治療効果推定の効率を向上する既存の文献に基づいて構築する。
  論文  参考訳（メタデータ） (2020-12-24T05:19:03Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)
• Interpretable Disease Prediction based on Reinforcement Path Reasoning over Knowledge Graphs [15.339137501579087]
  疾患予測タスクを知識グラフ(KG)に沿ってランダムウォークとして定式化した。 我々は, 病因と危険因子との関係を, 検証された医療知識に基づいて記録するKGを構築した。 対象物によって生成された軌跡は、所定の患者の解釈可能な疾患進行経路を表す。
  論文  参考訳（メタデータ） (2020-10-16T10:46:28Z)

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。