論文の概要: FedECA: A Federated External Control Arm Method for Causal Inference with Time-To-Event Data in Distributed Settings

• arxiv url: http://arxiv.org/abs/2311.16984v3
• Date: Wed, 09 Oct 2024 08:29:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-10 14:25:07.190834
• Title: FedECA: A Federated External Control Arm Method for Causal Inference with Time-To-Event Data in Distributed Settings
• Title（参考訳）: FedECA:分散環境での時系列データを用いた因果推論のためのフェデレーション外部制御アーム手法
• Authors: Jean Ogier du Terrail, Quentin Klopfenstein, Honghao Li, Imke Mayer, Nicolas Loiseau, Mohammad Hallal, Michael Debouver, Thibault Camalon, Thibault Fouqueray, Jorge Arellano Castro, Zahia Yanes, Laetitia Dahan, Julien Taïeb, Pierre Laurent-Puig, Jean-Baptiste Bachet, Shulin Zhao, Remy Nicolle, Jérome Cros, Daniel Gonzalez, Robert Carreras-Torres, Adelaida Garcia Velasco, Kawther Abdilleh, Sudheer Doss, Félix Balazard, Mathieu Andreux,
• Abstract要約: 外部制御アーム(ECA)は、実験薬の初期臨床開発を知らせることができる。 ECAは、規制承認の有効な証拠を提供することができる。 ECAを実装する上での大きな課題は、現実世界または歴史的な臨床試験データにアクセスすることである。
• 参考スコア（独自算出の注目度）: 3.167217741782558
• License:
• Abstract: External control arms (ECA) can inform the early clinical development of experimental drugs and provide efficacy evidence for regulatory approval. However, the main challenge in implementing ECA lies in accessing real-world or historical clinical trials data. Indeed, regulations protecting patients' rights by strictly controlling data processing make pooling data from multiple sources in a central server often difficult. To address these limitations, we develop a new method, 'FedECA' that leverages federated learning (FL) to enable inverse probability of treatment weighting (IPTW) for time-to-event outcomes on separate cohorts without needing to pool data. To showcase the potential of FedECA, we apply it in different settings of increasing complexity culminating with a real-world use-case in which FedECA provides evidence for a differential effect between two drugs that would have otherwise go unnoticed. By sharing our code, we hope FedECA will foster the creation of federated research networks and thus accelerate drug development.
• Abstract（参考訳）: 外部制御アーム(ECA)は、実験薬の初期臨床開発を知らせ、規制承認の有効な証拠を提供することができる。 しかし、ECAを実装する上での最大の課題は、現実世界または歴史的な臨床試験データにアクセスすることである。 実際、データ処理を厳格に制御することで患者の権利を保護する規制は、中央サーバ内の複数のソースからのデータのプールを困難にすることが多い。 これらの制約に対処するために,フェデレートラーニング(FL)を利用した新たな手法「FedECA」を開発し,データプールを必要とせず,個別コホート上での処理重み付け(IPTW)の逆確率を実現する。 FedECAの可能性を実証するために、FedECAは2つの薬の差分効果の証拠を提供する現実世界のユースケースで、複雑さを増大させる異なる設定で適用する。 コードを共有することで、FedECAがフェデレートされた研究ネットワークの創出を奨励し、薬物開発を加速することを期待しています。

関連論文リスト

• Learning to Describe for Predicting Zero-shot Drug-Drug Interactions [54.172575323610175]
  薬物と薬物の相互作用は同時投与の有効性を損なう可能性がある。 従来のDDI予測の計算手法では、知識不足のため、新しい薬物の相互作用を捉えることができない可能性がある。 言語モデルに基づくDDI予測器と強化学習(RL)に基づく情報セレクタを用いたテキストDDIを提案する。
  論文  参考訳（メタデータ） (2024-03-13T09:42:46Z)
• Federated Causal Discovery from Heterogeneous Data [70.31070224690399]
  任意の因果モデルと異種データに対応する新しいFCD法を提案する。 これらのアプローチには、データのプライバシを保護するために、生データのプロキシとして要約統計を構築することが含まれる。 提案手法の有効性を示すために, 合成および実データを用いた広範囲な実験を行った。
  論文  参考訳（メタデータ） (2024-02-20T18:53:53Z)
• Personalized Federated Learning with Attention-based Client Selection [57.71009302168411]
  我々は,意図に基づくクライアント選択機構を備えた新しいPFLアルゴリズムであるFedACSを提案する。 FedACSは、類似したデータ分散を持つクライアント間のコラボレーションを強化するためのアテンションメカニズムを統合している。 CIFAR10とFMNISTの実験は、FedACSの優位性を検証する。
  論文  参考訳（メタデータ） (2023-12-23T03:31:46Z)
• A Distributed Privacy Preserving Model for the Detection of Alzheimer's Disease [0.0]
  本稿では,分散データからトレーニングできるHIPAA準拠のフレームワークを提案する。 次に,アルツハイマー病(AD)検出のための多モード垂直フェデレーションモデルを提案する。 ここで提案されたVFLアーキテクチャは、多様な医療データソースをまたいだ協調学習を可能にする、新しい分散アーキテクチャを提供する。
  論文  参考訳（メタデータ） (2023-12-15T22:09:04Z)
• A Federated Learning Benchmark for Drug-Target Interaction [17.244787426504626]
  本研究は,薬物-標的相互作用(DTI)領域におけるフェデレートラーニングの適用について提案する。 最高の非プライバシ保護代替手段と比較して、最大15%パフォーマンスが向上する。 他の領域とは異なり、DTIデータセットの非IIDデータ分布はFL性能を損なわないことを示す。
  論文  参考訳（メタデータ） (2023-02-15T14:21:31Z)
• Federated Causal Discovery From Interventions [35.53403074610876]
  介入サンプルを含む分散データから因果構造を推定するフレームワークであるFedCDIを提案する。 フェデレートされた学習フレームワークに従って、FedCDIは、生サンプルではなく信条更新を交換することで、プライバシを改善する。
  論文  参考訳（メタデータ） (2022-11-07T20:25:48Z)
• SSM-DTA: Breaking the Barriers of Data Scarcity in Drug-Target Affinity Prediction [127.43571146741984]
  薬物標的親和性(DTA)は、早期の薬物発見において極めて重要である。 湿式実験は依然として最も信頼性の高い方法であるが、時間と資源が集中している。 既存の手法は主に、データ不足の問題に適切に対処することなく、利用可能なDTAデータに基づく技術開発に重点を置いている。 SSM-DTAフレームワークについて述べる。
  論文  参考訳（メタデータ） (2022-06-20T14:53:25Z)
• FedMed-GAN: Federated Domain Translation on Unsupervised Cross-Modality Brain Image Synthesis [55.939957482776194]
  我々は、教師なし脳画像合成におけるフェデレートドメイン翻訳のための新しいベンチマーク(FedMed-GAN)を提案する。 FedMed-GANは発電機の性能を犠牲にすることなくモード崩壊を緩和する。 FedMed-GANと他の集中型手法を比較するための総合的な評価を提供する。
  論文  参考訳（メタデータ） (2022-01-22T02:50:29Z)
• 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。