論文の概要: A flexible Bayesian g-formula for causal survival analyses with time-dependent confounding

• arxiv url: http://arxiv.org/abs/2402.02306v1
• Date: Sun, 4 Feb 2024 00:30:14 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-06 20:53:14.266779
• Title: A flexible Bayesian g-formula for causal survival analyses with time-dependent confounding
• Title（参考訳）: 時間依存共起による因果生存解析のための柔軟なベイズ的g-形式
• Authors: Xinyuan Chen, Liangyuan Hu, Fan Li
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 12.903984201929779
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In longitudinal observational studies with a time-to-event outcome, a common objective in causal analysis is to estimate the causal survival curve under hypothetical intervention scenarios within the study cohort. The g-formula is a particularly useful tool for this analysis. To enhance the traditional parametric g-formula approach, we developed a more adaptable Bayesian g-formula estimator. This estimator facilitates both longitudinal predictive and causal inference. It incorporates Bayesian additive regression trees in the modeling of the time-evolving generative components, aiming to mitigate bias due to model misspecification. Specifically, we introduce a more general class of g-formulas for discrete survival data. These formulas can incorporate the longitudinal balancing scores, which serve as an effective method for dimension reduction and are vital when dealing with an expanding array of time-varying confounders. The minimum sufficient formulation of these longitudinal balancing scores is linked to the nature of treatment regimes, whether static or dynamic. For each type of treatment regime, we provide posterior sampling algorithms, which are grounded in the Bayesian additive regression trees framework. We have conducted simulation studies to illustrate the empirical performance of our proposed Bayesian g-formula estimators, and to compare them with existing parametric estimators. We further demonstrate the practical utility of our methods in real-world scenarios using data from the Yale New Haven Health System's electronic health records.
• Abstract（参考訳）: 時系列観察研究における因果解析の一般的な目的は、仮説的介入のシナリオの下で因果的生存曲線を推定することである。 g-formulaはこの解析に特に有用なツールである。 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。 この推定器は、縦方向予測と因果推論の両方を促進する。 ベイジアン加法的回帰木を時間進化する生成成分のモデリングに取り入れ、モデル不特定性によるバイアスを軽減することを目的としている。 具体的には, 離散生存データに対するg-formulaのより一般的なクラスを導入する。 これらの式は、次元縮小の有効な方法として機能し、時間変化のある共同設立者の配列を拡大する際には不可欠である縦バランススコアを組み込むことができる。 これらの縦バランススコアの最小定式化は、静的であれ動的であれ、治療体制の性質と関係している。 それぞれの治療体制に対して,ベイジアン加法回帰木フレームワークを基盤とした後方サンプリングアルゴリズムを提案する。 我々は,提案したベイズ型g-ホルムラ推定器の実験的性能をシミュレーションし,既存のパラメトリック推定器と比較した。 さらに,Yale New Haven Health Systemの電子健康記録から得られたデータを用いて,実世界のシナリオにおける本手法の実用性を実証した。

関連論文リスト

• Model-free Methods for Event History Analysis and Efficient Adjustment (PhD Thesis) [55.2480439325792]
  この論文は、モデルフリーの観点から統一された統計学への独立した貢献のシリーズである。 第1章では、機械学習から予測技術を活用する柔軟なメソッドを定式化するために、モデルフリーの視点をどのように利用できるか、詳しく説明している。 第2章では、あるプロセスの進化が他のプロセスに直接影響されるかどうかを記述した地域独立の概念を研究している。
  論文  参考訳（メタデータ） (2025-02-11T19:24:09Z)
• Gradient-based Explanations for Deep Learning Survival Models [0.716879432974126]
  本稿では,ニューラルネットワークの生存に適した勾配に基づく説明手法を提案する。 生存条件における時間依存的説明に対する理論的仮定の影響を解析する。 本稿では,時間次元を取り入れた効果的な可視化手法を提案する。
  論文  参考訳（メタデータ） (2025-02-07T14:36:55Z)
• Memorization and Regularization in Generative Diffusion Models [5.128303432235475]
  拡散モデルは、生成モデリングの強力なフレームワークとして登場した。 この分析は、解析的に抽出可能な最小化器の再生を避けるための正規化の必要性を強調している。 実験は記憶の文脈で評価され、今後の正規化の方向性が強調される。
  論文  参考訳（メタデータ） (2025-01-27T05:17:06Z)
• Deep Learning Methods for the Noniterative Conditional Expectation G-Formula for Causal Inference from Complex Observational Data [3.0958655016140892]
  g-formula は観測データを用いて持続的治療戦略の因果効果を推定するために用いられる。 パラメトリックモデルはモデルの誤特定を受けており、バイアスのある因果推定をもたらす可能性がある。 NICE g-formula 推定器のための統合型ディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-28T21:00:46Z)
• Continuous-Time Modeling of Counterfactual Outcomes Using Neural Controlled Differential Equations [84.42837346400151]
  反現実的な結果を予測することは、パーソナライズされたヘルスケアをアンロックする可能性がある。 既存の因果推論アプローチでは、観察と治療決定の間の通常の離散時間間隔が考慮されている。 そこで本研究では,腫瘍増殖モデルに基づく制御可能なシミュレーション環境を提案する。
  論文  参考訳（メタデータ） (2022-06-16T17:15:15Z)
• Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
  パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。 我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。 次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-18T22:41:51Z)
• Time varying regression with hidden linear dynamics [74.9914602730208]
  線形力学系に従って未知のパラメータが進化することを前提とした時間変化線形回帰モデルを再検討する。 反対に、基礎となる力学が安定である場合、このモデルのパラメータは2つの通常の最小二乗推定と組み合わせることで、データから推定できることが示される。
  論文  参考訳（メタデータ） (2021-12-29T23:37:06Z)
• Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
  実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。 特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。 本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
  論文  参考訳（メタデータ） (2021-02-12T12:23:13Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)
• G-Net: A Deep Learning Approach to G-computation for Counterfactual Outcome Prediction Under Dynamic Treatment Regimes [11.361895456942374]
  G-computationは、動的時間変化処理戦略の下で予測される対実的な結果を予測する方法である。 本稿では,G計算のための新しい逐次ディープラーニングフレームワークであるG-Netを紹介する。 我々は,CVSimから得られた現実的に複雑な時間シミュレーションデータを用いて,代替G-Netの実装を評価する。
  論文  参考訳（メタデータ） (2020-03-23T21:08:51Z)

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。