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
- 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) - Learning to Predict with Supporting Evidence: Applications to Clinical
Risk Prediction [9.199022926064009]
機械学習モデルがヘルスケアに与える影響は、医療専門家がこれらのモデルによって予測される信頼度に依存する。
予測が信頼されるべき理由に関するドメイン関連証拠を,臨床専門性のある人に提供するための方法を提示する。
論文 参考訳(メタデータ) (2021-03-04T00:26:32Z) - 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) - Increasing the efficiency of randomized trial estimates via linear
adjustment for a prognostic score [59.75318183140857]
ランダム化実験による因果効果の推定は臨床研究の中心である。
歴史的借用法のほとんどは、厳格なタイプiエラー率制御を犠牲にして分散の削減を達成する。
論文 参考訳(メタデータ) (2020-12-17T21:10:10Z) - 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) - Forecasting the Spread of Covid-19 Under Control Scenarios Using LSTM
and Dynamic Behavioral Models [2.11622808613962]
本研究では,Long Short-term memory (LSTM)人工リカレントニューラルネットワークと動的行動モデルを組み合わせた新しいハイブリッドモデルを提案する。
提案モデルでは, 最上位10か国, オーストラリアにおいて, 死亡率の予測精度を高めるために, 複数因子の効果を考察した。
論文 参考訳(メタデータ) (2020-05-24T10:43:55Z)
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。