論文の概要: Estimating heterogeneous treatment effect from survival outcomes via
(orthogonal) censoring unbiased learning
- arxiv url: http://arxiv.org/abs/2401.11263v1
- Date: Sat, 20 Jan 2024 16:17:06 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-23 17:04:50.190575
- Title: Estimating heterogeneous treatment effect from survival outcomes via
(orthogonal) censoring unbiased learning
- Title（参考訳）: 非バイアス学習(orthogonal)検閲による生存成績からの異種治療効果の推定
- Authors: Shenbo Xu, Raluca Cobzaru, Bang Zheng, Stan N. Finkelstein, Roy E.
Welsch, Kenney Ng, Ioanna Tzoulaki, Zach Shahn
- Abstract要約: 観測データからヘテロジニアス処理効果 (HTE) を推定する方法は, 連続的あるいは2次的な結果に大きく焦点が当てられている。
我々は、競合するリスクを伴わずに生き残るための検閲未バイアス変換(CUT)を開発する。
我々のCUTは、これまでよりもはるかに大きなHTE学習者を検閲された結果に適用することができる。
- 参考スコア（独自算出の注目度）: 1.8840532513512722
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Methods for estimating heterogeneous treatment effects (HTE) from
observational data have largely focused on continuous or binary outcomes, with
less attention paid to survival outcomes and almost none to settings with
competing risks. In this work, we develop censoring unbiased transformations
(CUTs) for survival outcomes both with and without competing risks.After
converting time-to-event outcomes using these CUTs, direct application of HTE
learners for continuous outcomes yields consistent estimates of heterogeneous
cumulative incidence effects, total effects, and separable direct effects. Our
CUTs enable application of a much larger set of state of the art HTE learners
for censored outcomes than had previously been available, especially in
competing risks settings. We provide generic model-free learner-specific oracle
inequalities bounding the finite-sample excess risk. The oracle efficiency
results depend on the oracle selector and estimated nuisance functions from all
steps involved in the transformation. We demonstrate the empirical performance
of the proposed methods in simulation studies.
- Abstract（参考訳）: 観察データから異種治療効果(hte)を推定する方法は主に連続的または二元的な結果に焦点が当てられ、生存率に注意が払われず、競合リスクのある設定にはほとんど注意が払われていない。
本研究では,これらのCUTを用いて時間から時間への変換を行い,連続的な結果へのHTE学習者の直接適用により,不均一な累積入入射効果,総効果,分離可能な直接効果について一貫した評価を行う。
我々のCUTは、従来よりもはるかに大きなHTE学習者を検閲結果に適用することが可能であり、特に競合するリスク設定においてである。
有限サンプル超過リスクを限定したモデルフリー学習者固有のオラクル不等式を提供する。
oracleの効率性の結果は、変換に関わるすべてのステップから、oracleのセレクタと推定迷惑関数に依存する。
シミュレーション研究において,提案手法の実証的な性能を示す。
関連論文リスト
- Generalized Encouragement-Based Instrumental Variables for Counterfactual Regression [33.869488994843394]
本稿では,条件平均処理効果(CATE)を促進度の変化を用いて同定するための新しい理論とアルゴリズムを提案する。
本稿では、観察データと奨励データの両方を活用することで、因果効果を効果的に推定するために、Encouragement-based Counterfactual Regression (EnCounteR) と呼ばれる一般化IV推定器を提案する。
論文 参考訳（メタデータ） (2024-08-10T04:21:04Z) - Robust and Agnostic Learning of Conditional Distributional Treatment
Effects [62.44901952244514]
条件平均治療効果(CATE)は、個々の因果効果の最適点予測である。
集約分析では、通常は分布処理効果(DTE)の測定によって対処される。
我々は,多種多様な問題に対して条件付きDTE(CDTE)を学習するための,新しい堅牢でモデルに依存しない手法を提供する。
論文 参考訳（メタデータ） (2022-05-23T17:40:31Z) - Treatment Effect Risk: Bounds and Inference [58.442274475425144]
平均的な治療効果は社会福祉の変化を測定するため、たとえ肯定的であっても、人口の約10%に悪影響を及ぼすリスクがある。
本稿では,ICT分布のリスク条件値(CVaR)として定式化されたこの重要なリスク尺度をどう評価するかを検討する。
いくつかの境界は、複素CATE関数を単一の計量に要約したものと解釈することもでき、有界であることとは無関係に興味を持つ。
論文 参考訳（メタデータ） (2022-01-15T17:21:26Z) - SurvITE: Learning Heterogeneous Treatment Effects from Time-to-Event
Data [83.50281440043241]
時系列データから不均一な処理効果を推定する問題について検討する。
本稿では,バランス表現に基づく治療特異的ハザード推定のための新しいディープラーニング手法を提案する。
論文 参考訳（メタデータ） (2021-10-26T20:13:17Z) - Estimating heterogeneous survival treatment effect in observational data
using machine learning [9.951103976634407]
観測データにおける不均一な処理効果を推定する方法は, 連続的あるいは二分的な結果に大きく焦点を絞っている。
対物的フレームワークで柔軟な機械学習手法を使用することは、複雑な個人特性による課題に対処するための有望なアプローチである。
論文 参考訳（メタデータ） (2020-08-17T01:02:14Z) - Enabling Counterfactual Survival Analysis with Balanced Representations [64.17342727357618]
生存データは様々な医学的応用、すなわち薬物開発、リスクプロファイリング、臨床試験で頻繁に見られる。
本稿では,生存結果に適用可能な対実的推論のための理論的基盤を持つ統一的枠組みを提案する。
論文 参考訳（メタデータ） (2020-06-14T01:15:00Z) - Learning for Dose Allocation in Adaptive Clinical Trials with Safety
Constraints [84.09488581365484]
新しい化合物の有効性と毒性の関係がより複雑になるにつれて、第1相線量測定試験はますます困難になっている。
最も一般的に使われている方法は、毒性事象のみから学習することで、最大許容量(MTD)を特定することである。
本稿では, 毒性安全性の制約を高い確率で満たしつつ, 累積効果を最大化することを目的とした, 適応型臨床試験手法を提案する。
論文 参考訳（メタデータ） (2020-06-09T03:06:45Z) - Generalization Bounds and Representation Learning for Estimation of
Potential Outcomes and Causal Effects [61.03579766573421]
代替薬に対する患者一人の反応など,個人レベルの因果効果の推定について検討した。
我々は,表現の誘導的処理群距離を正規化することにより,境界を最小化する表現学習アルゴリズムを考案した。
これらのアルゴリズムを拡張して、重み付き表現を同時に学習し、治療群距離をさらに削減する。
論文 参考訳（メタデータ） (2020-01-21T10:16:33Z)
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。