論文の概要: SubgroupTE: Advancing Treatment Effect Estimation with Subgroup Identification

• arxiv url: http://arxiv.org/abs/2401.12369v1
• Date: Mon, 22 Jan 2024 21:41:26 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-24 17:31:13.184563
• Title: SubgroupTE: Advancing Treatment Effect Estimation with Subgroup Identification
• Title（参考訳）: SubgroupTE:サブグループ同定による治療効果の評価
• Authors: Seungyeon Lee, Ruoqi Liu, Wenyu Song, Lang Li, and Ping Zhang
• Abstract要約: 本稿では,サブグループ識別をTEEに組み込んだ新しい治療効果推定モデルを提案する。 サブグループTEは、異なる治療反応を持つ異種サブグループを特定し、サブグループ固有の因果効果を考慮して、より正確に治療効果を推定する。 合成および半合成データセットの実験は、治療効果推定の最先端モデルと比較して、サブグループTEの優れた性能を示す。
• 参考スコア（独自算出の注目度）: 7.598921240673158
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Precise estimation of treatment effects is crucial for evaluating intervention effectiveness. While deep learning models have exhibited promising performance in learning counterfactual representations for treatment effect estimation (TEE), a major limitation in most of these models is that they treat the entire population as a homogeneous group, overlooking the diversity of treatment effects across potential subgroups that have varying treatment effects. This limitation restricts the ability to precisely estimate treatment effects and provide subgroup-specific treatment recommendations. In this paper, we propose a novel treatment effect estimation model, named SubgroupTE, which incorporates subgroup identification in TEE. SubgroupTE identifies heterogeneous subgroups with different treatment responses and more precisely estimates treatment effects by considering subgroup-specific causal effects. In addition, SubgroupTE iteratively optimizes subgrouping and treatment effect estimation networks to enhance both estimation and subgroup identification. Comprehensive experiments on the synthetic and semi-synthetic datasets exhibit the outstanding performance of SubgroupTE compared with the state-of-the-art models on treatment effect estimation. Additionally, a real-world study demonstrates the capabilities of SubgroupTE in enhancing personalized treatment recommendations for patients with opioid use disorder (OUD) by advancing treatment effect estimation with subgroup identification.
• Abstract（参考訳）: 治療効果の正確な評価は介入効果を評価する上で重要である。 深層学習モデルは、治療効果推定(TEE)の学習対実表現において有望な性能を示したが、これらのモデルの大部分は、治療効果の異なる潜在的サブグループ間の治療効果の多様性を見越して、全人口を均質なグループとして扱うことである。 この制限は、治療効果を正確に見積り、サブグループ固有の治療勧告を提供する能力を制限する。 本稿では,サブグループ識別をTEEに組み込んだ新しい治療効果推定モデル,SubgroupTEを提案する。 subgroupteは、異なる治療応答を持つ不均一なサブグループを特定し、サブグループ固有の因果効果を考慮してより正確に治療効果を推定する。 さらに、SubgroupTEは、サブグループと処理効果推定ネットワークを反復的に最適化し、推定とサブグループ識別の両方を強化する。 合成および半合成データセットに関する総合的な実験は、治療効果推定の最先端モデルと比較して、SubgroupTEの優れた性能を示す。 さらに,オピオイド使用障害 (OUD) 患者に対して, サブグループ識別による治療効果推定を推し進めることにより, パーソナライズされた治療勧告の強化を図った。

関連論文リスト

• Adaptive Experiment Design with Synthetic Controls [79.69661880236293]
  そこで我々は,多くのサブポピュレーションのうち,ポジティブな治療効果を有するサブポピュレーションを同定する探索的トライアル設計であるSyntaxを提案する。 我々は,Syntaxの性能を検証し,実験を通じて従来の試行設計よりも有利になる可能性について考察する。
  論文  参考訳（メタデータ） (2024-01-30T17:45:47Z)
• Heterogeneous treatment effect estimation with subpopulation identification for personalized medicine in opioid use disorder [8.508048654384787]
  本稿では,サブグループ同定と治療効果推定を組み込んだ,新しいニューラルネットワークベースのフレームワークSubgroupTEを紹介する。 オピオイド使用障害(OUD)に関連する実世界のデータセットの実験は、パーソナライズされた治療勧告を強化するためのアプローチの可能性を示している。
  論文  参考訳（メタデータ） (2024-01-30T14:02:49Z)
• A structured regression approach for evaluating model performance across intersectional subgroups [53.91682617836498]
  分散評価(disaggregated evaluation)は、AIフェアネスアセスメントにおける中心的なタスクであり、AIシステムのさまざまなサブグループ間でのパフォーマンスを測定することを目的としている。 非常に小さなサブグループであっても,信頼性の高いシステム性能推定値が得られることを示す。
  論文  参考訳（メタデータ） (2024-01-26T14:21:45Z)
• 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)
• CAPITAL: Optimal Subgroup Identification via Constrained Policy Tree Search [10.961093227672398]
  臨床的に有意義なサブグループ学習アプローチでは、より良い治療の恩恵を受けることができる患者の最大数を特定する必要がある。 選択した患者数を最大化する最適サブグループ選択規則(SSR)を提案する。 解析可能な決定木クラスの中で最適なSSRを求めるために,ConstrAined PolIcy Tree seArch aLgorithmを提案する。
  論文  参考訳（メタデータ） (2021-10-11T22:41:07Z)
• On Inductive Biases for Heterogeneous Treatment Effect Estimation [91.3755431537592]
  我々は、異なる治療下で、個人の潜在的成果(PO)の構造的類似性を利用する方法について検討する。 この問題を克服するために、エンドツーエンドの学習戦略を3つ比較する。
  論文  参考訳（メタデータ） (2021-06-07T16:30:46Z)
• Finding Subgroups with Significant Treatment Effects [20.457122933924463]
  ノイズの多いデータからそのようなサブグループを見つけるために特別に最適化された機械学習手法を提案する。 パーソナライズされた治療代行のための方法とは違って、当社のツールは重要なテストを考慮するように設計されている。 統計的に有意な正の処理効果を得る確率を最大化するために選択される部分群を生成する。
  論文  参考訳（メタデータ） (2021-03-12T03:36:03Z)
• Robust Recursive Partitioning for Heterogeneous Treatment Effects with Uncertainty Quantification [84.53697297858146]
  治療効果のサブグループ分析は、医療から公共政策、レコメンデーターシステムへの応用において重要な役割を担っている。 サブグループ分析の現在の手法のほとんどは、個別化処理効果(ITE)を推定するための特定のアルゴリズムから始まる。 本稿では、これらの弱点に対処する新しい部分群解析法R2Pを開発する。
  論文  参考訳（メタデータ） (2020-06-14T14:50:02Z)
• Causal Interaction Trees: Tree-Based Subgroup Identification for Observational Data [0.0]
  観察データを用いて治療効果を増強した被験者のサブグループを同定するための因果相互作用木を提案する。 データの観察特性を考慮した3つのサブグループ特異的処理効果推定器の特性を導出する。 本研究は, 重症心疾患患者に対する右心カテーテル治療の有効性を評価するための観察的研究である。
  論文  参考訳（メタデータ） (2020-03-06T05:51:27Z)
• 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。