論文の概要: A Perspective on Individualized Treatment Effects Estimation from Time-series Health Data

• arxiv url: http://arxiv.org/abs/2402.04668v1
• Date: Wed, 7 Feb 2024 08:53:46 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-08 16:01:22.823451
• Title: A Perspective on Individualized Treatment Effects Estimation from Time-series Health Data
• Title（参考訳）: 時系列健康データを用いた個別治療効果推定の展望
• Authors: Ghadeer O. Ghosheh, Moritz G\"ogl and Tingting Zhu
• Abstract要約: この研究は、論文における最新の研究を要約し、理論的な仮定、治療のタイプ、計算フレームワークを考慮してそれをレビューする。 この研究が新たな方向性を開き、エキサイティングで未研究の分野の1つを理解するためのリソースとして機能することを願っています。
• 参考スコア（独自算出の注目度）: 2.9404725327650767
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: The burden of diseases is rising worldwide, with unequal treatment efficacy for patient populations that are underrepresented in clinical trials. Healthcare, however, is driven by the average population effect of medical treatments and, therefore, operates in a "one-size-fits-all" approach, not necessarily what best fits each patient. These facts suggest a pressing need for methodologies to study individualized treatment effects (ITE) to drive personalized treatment. Despite the increased interest in machine-learning-driven ITE estimation models, the vast majority focus on tabular data with limited review and understanding of methodologies proposed for time-series electronic health records (EHRs). To this end, this work provides an overview of ITE works for time-series data and insights into future research. The work summarizes the latest work in the literature and reviews it in light of theoretical assumptions, types of treatment settings, and computational frameworks. Furthermore, this work discusses challenges and future research directions for ITEs in a time-series setting. We hope this work opens new directions and serves as a resource for understanding one of the exciting yet under-studied research areas.
• Abstract（参考訳）: 病気の負担は世界中で増大しており、臨床試験で過小評価されている患者に対する不平等な治療効果がある。 しかし、医療は平均的な人口効果によって引き起こされるため、各患者に最も適しているとは限らず、"ワンサイズフィット・オール"なアプローチで運営される。 これらの事実は、パーソナライズされた治療を促進するために個別化された治療効果(ITE)を研究する方法論の必要性を強く示唆している。 機械学習駆動のite推定モデルへの関心が高まっているにもかかわらず、大多数は時系列電子健康記録(ehrs)のために提案された方法論のレビューと理解を限定した表データに焦点を当てている。 この目的のために、本研究では、時系列データのためのiteの成果の概要と今後の研究への洞察を提供する。 この研究は、論文における最新の研究を要約し、理論的な仮定、治療のタイプ、計算フレームワークを考慮してレビューする。 さらに,本研究は,ITTの課題と今後の研究方向性を時系列設定で論じる。 この研究が新たな方向性を開き、エキサイティングで未研究の分野を理解するためのリソースとして機能することを願っています。

関連論文リスト

• A Survey of Few-Shot Learning for Biomedical Time Series [3.845248204742053]
  データ駆動型モデルは、臨床診断を支援し、患者のケアを改善する大きな可能性を秘めている。 ラベル付きデータの不足を克服する新たなアプローチは、人間のような能力でAIメソッドを拡張して、少数ショット学習と呼ばれる限られた例で新しいタスクを学ぶことだ。 本調査は,生物医学的時系列アプリケーションのための数ショット学習手法の総合的なレビューと比較を行う。
  論文  参考訳（メタデータ） (2024-05-03T21:22:27Z)
• Enhancing Readmission Prediction with Deep Learning: Extracting Biomedical Concepts from Clinical Texts [0.26813152817733554]
  本研究は,30日以内の患者の寛解をテキストマイニング技術を用いて予測することに焦点を当てた。 この目的のために分類モデルを開発するために,様々な機械学習および深層学習手法が用いられた。
  論文  参考訳（メタデータ） (2024-03-12T09:03:44Z)
• 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)
• Estimating average causal effects from patient trajectories [18.87912848546951]
  医療実践においては、患者の結果に期待される因果効果に基づいて治療が選択される。 本稿では,時間とともに収集される観察データ(患者軌跡)から平均因果効果(ACE)を推定することを目的とする。
  論文  参考訳（メタデータ） (2022-03-02T16:45:19Z)
• Predicting Patient Readmission Risk from Medical Text via Knowledge Graph Enhanced Multiview Graph Convolution [67.72545656557858]
  本稿では,電子健康記録の医用テキストを予測に用いる新しい手法を提案する。 外部知識グラフによって強化された多視点グラフを有する患者の退院サマリーを表現している。 実験により,本手法の有効性が証明され,最先端の性能が得られた。
  論文  参考訳（メタデータ） (2021-12-19T01:45:57Z)
• Disentangled Counterfactual Recurrent Networks for Treatment Effect Inference over Time [71.30985926640659]
  本稿では,DCRN(Disentangled Counterfactual Recurrent Network)を提案する。 時間とともに治療効果の因果構造に完全にインスパイアされたアーキテクチャでは、予測精度と疾患理解が向上する。 実データとシミュレーションデータの両方において,DCRNが処理応答予測の最先端手法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-12-07T16:40:28Z)
• Time Series Prediction using Deep Learning Methods in Healthcare [0.0]
  従来の機械学習手法は、医療予測分析タスクを扱う上で2つの大きな課題に直面している。 医療データの高次元的な性質は、新しいタスクごとに適切な機能のセットを選択するために、労働集約的なプロセスを必要とする。 近年の深層学習手法は、様々な医療予測タスクに有望な性能を示した。
  論文  参考訳（メタデータ） (2021-08-30T18:14:27Z)
• Self-Supervised Graph Learning with Hyperbolic Embedding for Temporal Health Event Prediction [13.24834156675212]
  本稿では,情報フローを組み込んだハイパーボリック埋め込み手法を提案する。 我々は、これらの事前学習された表現をグラフニューラルネットワークに組み込んで、疾患の合併症を検出する。 本稿では,EHRデータを完全に活用する自己教師付き学習フレームワークに,階層型で強化された履歴予測代行タスクを提案する。
  論文  参考訳（メタデータ） (2021-06-09T00:42:44Z)
• BiteNet: Bidirectional Temporal Encoder Network to Predict Medical Outcomes [53.163089893876645]
  本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。 エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。 実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
  論文  参考訳（メタデータ） (2020-09-24T00:42:36Z)
• Estimating Counterfactual Treatment Outcomes over Time Through Adversarially Balanced Representations [114.16762407465427]
  時間とともに治療効果を推定するためにCRN(Counterfactual Recurrent Network)を導入する。 CRNは、患者履歴のバランスの取れた表現を構築するために、ドメイン敵のトレーニングを使用する。 本モデルでは, 正解率の予測と適切な治療時期の選択において, 誤差の低減を図っている。
  論文  参考訳（メタデータ） (2020-02-10T20:47:36Z)
• 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。