論文の概要: Scalable kernel balancing weights in a nationwide observational study of
hospital profit status and heart attack outcomes
- arxiv url: http://arxiv.org/abs/2311.00568v1
- Date: Wed, 1 Nov 2023 15:08:52 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-02 13:18:37.246828
- Title: Scalable kernel balancing weights in a nationwide observational study of
hospital profit status and heart attack outcomes
- Title（参考訳）: 病院の利益状況と心臓発作のアウトカムに関する全国観測研究におけるスケーラブルなカーネルバランスの重み付け
- Authors: Kwangho Kim, Bijan A. Niknam, Jos\'e R. Zubizarreta
- Abstract要約: 我々は、再現されたカーネルヒルベルト空間の基底展開と最先端凸最適化技術を統合する重み付けへのスケーラブルで柔軟なアプローチについて述べる。
具体的には、ランク制限されたNystr"om法を用いて、ほぼ線形時間と空間のバランスをとるためのカーネル基底を効率的に計算し、乗算器の特殊一階交互方向法を用いて最適な重みを求める。
我々はまた、この重み付け手法を用いて、127万人の患者の総合的データセットにおいて、病院の利益状況と心臓発作結果との関係を全国的に調査する。
- 参考スコア（独自算出の注目度）: 1.9950682531209158
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Weighting is a general and often-used method for statistical adjustment.
Weighting has two objectives: first, to balance covariate distributions, and
second, to ensure that the weights have minimal dispersion and thus produce a
more stable estimator. A recent, increasingly common approach directly
optimizes the weights toward these two objectives. However, this approach has
not yet been feasible in large-scale datasets when investigators wish to
flexibly balance general basis functions in an extended feature space. For
example, many balancing approaches cannot scale to national-level health
services research studies. To address this practical problem, we describe a
scalable and flexible approach to weighting that integrates a basis expansion
in a reproducing kernel Hilbert space with state-of-the-art convex optimization
techniques. Specifically, we use the rank-restricted Nystr\"{o}m method to
efficiently compute a kernel basis for balancing in {nearly} linear time and
space, and then use the specialized first-order alternating direction method of
multipliers to rapidly find the optimal weights. In an extensive simulation
study, we provide new insights into the performance of weighting estimators in
large datasets, showing that the proposed approach substantially outperforms
others in terms of accuracy and speed. Finally, we use this weighting approach
to conduct a national study of the relationship between hospital profit status
and heart attack outcomes in a comprehensive dataset of 1.27 million patients.
We find that for-profit hospitals use interventional cardiology to treat heart
attacks at similar rates as other hospitals, but have higher mortality and
readmission rates.
- Abstract（参考訳）: 重み付け(英: Weighting)は、統計調整の一般的な手法である。
重み付けには2つの目的がある:第一に共変量分布のバランスをとること、第二に重み付けが最小分散であることを保証することである。
最近の、ますます一般的なアプローチは、これらの2つの目的に対する重みを直接最適化する。
しかし、このアプローチは、研究者が拡張された機能空間における一般的な基底関数を柔軟にバランスしたい場合、大規模なデータセットでは実現できない。
例えば、多くのバランスをとるアプローチは、全国レベルの医療サービス研究にスケールできない。
この現実的な問題に対処するために、再現されたカーネルヒルベルト空間の基底展開と最先端凸最適化技術を統合する重み付けへのスケーラブルで柔軟なアプローチについて述べる。
具体的には、ランク制限nystr\"{o}m法を用いて、線形時間と空間のバランスをとるためのカーネル基底を効率的に計算し、次いで乗算器の特別な一階交代方向法を用いて最適重みを求める。
本研究では、大規模データセットにおける重み付け推定器の性能に関する新たな知見を提供し、提案手法が精度と速度において他者より大幅に優れていることを示す。
最後に、この重み付け手法を用いて、127万人の患者の総合的データセットにおいて、病院の利益状況と心臓発作結果との関係を全国的に調査する。
他病院と同様の速さで心臓発作を治療するために介入心臓学が用いられているが,死亡率や寛解率は高い。
関連論文リスト
- Debiased Collaborative Filtering with Kernel-Based Causal Balancing [28.89858891537214]
本稿では,カーネル関数を適応的にバランスさせ,提案手法の一般化誤差境界を理論的に解析するアルゴリズムを提案する。
提案手法の有効性を実証するための広範囲な実験を行った。
論文 参考訳（メタデータ） (2024-04-30T14:43:51Z) - A flexible Bayesian g-formula for causal survival analyses with time-dependent confounding [11.481436666029644]
因果解析の一般的な目的は、仮説的介入シナリオの下で因果生存曲線を推定することである。
従来のパラメトリック g-formula アプローチを強化するため,より適応性の高いベイズ型 g-formula 推定器を開発した。
論文 参考訳（メタデータ） (2024-02-04T00:30:14Z) - Learnable Weight Initialization for Volumetric Medical Image Segmentation [66.3030435676252]
本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。
我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。
多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
論文 参考訳（メタデータ） (2023-06-15T17:55:05Z) - Policy Optimization for Personalized Interventions in Behavioral Health [8.10897203067601]
デジタルプラットフォームを通じて提供される行動的健康介入は、健康結果を大幅に改善する可能性がある。
患者に対するパーソナライズされた介入を最適化して長期的効果を最大化する問題について検討した。
患者システムの状態空間を個別のレベルに分解するDecompPIをダブする新しい手法を提案する。
論文 参考訳（メタデータ） (2023-03-21T21:42:03Z) - TWINS: A Fine-Tuning Framework for Improved Transferability of
Adversarial Robustness and Generalization [89.54947228958494]
本稿では,様々な分類タスクにおいて,逆向きに事前訓練されたモデルの微調整に焦点を当てる。
本稿では,TWINS(Two-WIng NormliSation)ファインチューニングフレームワークを提案する。
TWINSは、一般化とロバスト性の両方の観点から、幅広い画像分類データセットに有効であることが示されている。
論文 参考訳（メタデータ） (2023-03-20T14:12:55Z) - A Unified Momentum-based Paradigm of Decentralized SGD for Non-Convex
Models and Heterogeneous Data [0.261072980439312]
非汎用目的に対する収束保証を提供するU.MP,D-MP,GT-Dという統一パラダイムを提案する。
理論的には、これらの非MPアルゴリズムに対して収束解析目的を2つのアプローチで提供する。
論文 参考訳（メタデータ） (2023-03-01T02:13:22Z) - Density-Aware Personalized Training for Risk Prediction in Imbalanced
Medical Data [89.79617468457393]
不均衡率(クラス密度差)のトレーニングモデルは、最適以下の予測につながる可能性がある。
この不均衡問題に対するモデルトレーニングのためのフレームワークを提案する。
実世界の医療データセットにおけるモデルの性能向上を実証する。
論文 参考訳（メタデータ） (2022-07-23T00:39:53Z) - Resource Planning for Hospitals Under Special Consideration of the
COVID-19 Pandemic: Optimization and Sensitivity Analysis [87.31348761201716]
新型コロナウイルス(covid-19)パンデミックのような危機は、医療機関にとって深刻な課題となる。
BaBSim.Hospitalは離散イベントシミュレーションに基づく容量計画ツールである。
BaBSim.Hospitalを改善するためにこれらのパラメータを調査し最適化することを目指しています。
論文 参考訳（メタデータ） (2021-05-16T12:38:35Z) - Double Robust Representation Learning for Counterfactual Prediction [68.78210173955001]
そこで本稿では, 対実予測のための2次ロバスト表現を学習するための, スケーラブルな新しい手法を提案する。
我々は、個々の治療効果と平均的な治療効果の両方に対して、堅牢で効率的な対実的予測を行う。
このアルゴリズムは,実世界の最先端技術と合成データとの競合性能を示す。
論文 参考訳（メタデータ） (2020-10-15T16:39:26Z) - Revisiting Initialization of Neural Networks [72.24615341588846]
ヘッセン行列のノルムを近似し, 制御することにより, 層間における重みのグローバルな曲率を厳密に推定する。
Word2Vec と MNIST/CIFAR 画像分類タスクの実験により,Hessian ノルムの追跡が診断ツールとして有用であることが確認された。
論文 参考訳（メタデータ） (2020-04-20T18:12:56Z)
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。