論文の概要: Heterogeneous treatment effect estimation with subpopulation
identification for personalized medicine in opioid use disorder
- arxiv url: http://arxiv.org/abs/2401.17027v1
- Date: Tue, 30 Jan 2024 14:02:49 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-31 14:55:30.393777
- Title: Heterogeneous treatment effect estimation with subpopulation
identification for personalized medicine in opioid use disorder
- Title（参考訳）: オピオイド使用障害におけるパーソナライズ医療のためのサブポピュレーション同定による異種治療効果の推定
- Authors: Seungyeon Lee, Ruoqi Liu, Wenyu Song, Ping Zhang
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 8.508048654384787
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning models have demonstrated promising results in estimating
treatment effects (TEE). However, most of them overlook the variations in
treatment outcomes among subgroups with distinct characteristics. This
limitation hinders their ability to provide accurate estimations and treatment
recommendations for specific subgroups. In this study, we introduce a novel
neural network-based framework, named SubgroupTE, which incorporates subgroup
identification and treatment effect estimation. SubgroupTE identifies diverse
subgroups and simultaneously estimates treatment effects for each subgroup,
improving the treatment effect estimation by considering the heterogeneity of
treatment responses. Comparative experiments on synthetic data show that
SubgroupTE outperforms existing models in treatment effect estimation.
Furthermore, experiments on a real-world dataset related to opioid use disorder
(OUD) demonstrate the potential of our approach to enhance personalized
treatment recommendations for OUD patients.
- Abstract（参考訳）: 深層学習モデルは治療効果(TEE)の推定において有望な結果を示した。
しかし、その多くは異なる特徴を持つサブグループ間の治療結果のばらつきを見落としている。
この制限は、特定のサブグループに対して正確な推定と治療の推奨を提供する能力を妨げる。
本研究では,サブグループ同定と治療効果推定を組み込んだ,ニューラルネットワークに基づく新しいフレームワークSubgroupTEを提案する。
サブグループTEは、様々なサブグループを特定し、各サブグループに対する治療効果を同時に推定し、治療応答の不均一性を考慮した治療効果推定を改善する。
合成データの比較実験により、SubgroupTEは治療効果推定において既存のモデルより優れていることが示された。
さらに,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を用いて,OUD患者に対する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た。
関連論文リスト
- Heterogeneous Treatment Effects in Panel Data [1.5535138991304305]
回帰木を用いて,観測結果を類似の処理効果で解離クラスタに分割する手法を提案し,評価する。
我々の理論的結果は、結果の見積もりを真の治療効果に収束させるものである。
論文 参考訳（メタデータ） (2024-06-09T04:02:08Z) - 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) - SubgroupTE: Advancing Treatment Effect Estimation with Subgroup
Identification [7.598921240673158]
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。
論文 参考訳（メタデータ） (2024-01-22T21:41:26Z) - Estimating treatment effects from single-arm trials via latent-variable
modeling [14.083487062917085]
すべての患者が治療グループに属しているシングルアーム臨床試験は、有効な代替手段であるが、外部コントロールグループへのアクセスが必要である。
このシナリオに対して、同定可能なディープ潜在変数モデルを提案する。
その結果, 直接治療効果評価と患者マッチングによる効果評価の両面で, 性能が向上した。
論文 参考訳（メタデータ） (2023-11-06T10:12:54Z) - TCFimt: Temporal Counterfactual Forecasting from Individual Multiple
Treatment Perspective [50.675845725806724]
個別多面的治療の観点からの時間的対実予測の包括的枠組み(TCFimt)を提案する。
TCFimtは、選択と時間変化バイアスを軽減するためにSeq2seqフレームワークの逆タスクを構築し、比較学習ベースのブロックを設計し、混合処理効果を分離した主治療効果と因果相互作用に分解する。
提案手法は, 特定の治療法による今後の結果予測と, 最先端手法よりも最適な治療タイプとタイミングを選択する上で, 良好な性能を示す。
論文 参考訳（メタデータ） (2022-12-17T15:01:05Z) - 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) - 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。