論文の概要: G-Transformer: Counterfactual Outcome Prediction under Dynamic and Time-varying Treatment Regimes

• arxiv url: http://arxiv.org/abs/2406.05504v3
• Date: Thu, 27 Jun 2024 08:42:11 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-28 18:56:54.820810
• Title: G-Transformer: Counterfactual Outcome Prediction under Dynamic and Time-varying Treatment Regimes
• Title（参考訳）: G-transformer:動的および時間変化処理レジームにおける実測結果予測
• Authors: Hong Xiong, Feng Wu, Leon Deng, Megan Su, Li-wei H Lehman,
• Abstract要約: 本稿では,G-Transformerを提案する。G-Transformerは動的かつ時間的に異なる処理戦略の下で,対実予測のためのg-computationをサポートするフレームワークである。 メカニスティックモデルによる2つのシミュレーション時系列データセットとMIMIC-IVによる実世界のセシスICUデータセットを用いて,G-Transformerを広範囲に評価した。
• 参考スコア（独自算出の注目度）: 29.250837221920925
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the context of medical decision making, counterfactual prediction enables clinicians to predict treatment outcomes of interest under alternative courses of therapeutic actions given observed patient history. Prior machine learning approaches for counterfactual predictions under time-varying treatments focus on static time-varying treatment regimes where treatments do not depend on previous covariate history. In this work, we present G-Transformer, a Transformer-based framework supporting g-computation for counterfactual prediction under dynamic and time-varying treatment strategies. G-Transfomer captures complex, long-range dependencies in time-varying covariates using a Transformer architecture. G-Transformer estimates the conditional distribution of relevant covariates given covariate and treatment history at each time point using an encoder architecture, then produces Monte Carlo estimates of counterfactual outcomes by simulating forward patient trajectories under treatment strategies of interest. We evaluate G-Transformer extensively using two simulated longitudinal datasets from mechanistic models, and a real-world sepsis ICU dataset from MIMIC-IV. G-Transformer outperforms both classical and state-of-the-art counterfactual prediction models in these settings. To the best of our knowledge, this is the first Transformer-based architecture for counterfactual outcome prediction under dynamic and time-varying treatment strategies.
• Abstract（参考訳）: 医学的意思決定の文脈では、反事実予測により、臨床医は、観察された患者の歴史に与えられた治療行動の代替コースの下で、興味のある治療結果を予測することができる。 従来の機械学習アプローチは、過去の共変量履歴に依存しない静的な時間変化治療体制に重点を置いている。 本稿では,G-Transformerについて述べる。G-Transformerは動的および時間的処理戦略の下での対実予測のためのg-computationをサポートするトランスフォーマーベースのフレームワークである。 G-Transfomerは、Transformerアーキテクチャを用いて、時間変化の共変量における複雑な長距離依存関係をキャプチャする。 G-Transformerは、エンコーダアーキテクチャを用いて、各時点における関連共変量および処理履歴の条件分布を推定し、興味ある治療戦略の下で患者軌道をシミュレートすることで、偽結果のモンテカルロ推定を生成する。 メカニスティックモデルによる2つのシミュレーション時系列データセットとMIMIC-IVによる実世界のセシスICUデータセットを用いて,G-Transformerを広範囲に評価した。 G-Transformerは、これらの設定において、古典的および最先端の対実予測モデルの両方を上回っている。 我々の知る限り、このアーキテクチャは動的かつ時間的に変化する治療戦略の下で、対実的な結果予測を行う最初のTransformerベースのアーキテクチャである。

関連論文リスト

• G-Transformer for Conditional Average Potential Outcome Estimation over Time [25.068617118126824]
  G-transformer(GT)は,条件付き平均電位結果(CAPOs)を時間とともに推定する,新しいニューラルエンド・ツー・エンドモデルである。 我々のGTは、時間変化条件下でCAPOに対して回帰に基づく反復的なG-計算を行う最初のニューラルモデルである。 この研究は、電子健康記録からパーソナライズされた意思決定への重要な一歩である。
  論文  参考訳（メタデータ） (2024-05-31T16:52:51Z)
• Causal Dynamic Variational Autoencoder for Counterfactual Regression in Longitudinal Data [3.662229789022107]
  時間とともに治療効果を推定することは、精密医療、疫学、経済、マーケティングなど多くの現実世界の応用において重要である。 我々は、観測されていないリスク要因、すなわち、結果の順序だけに影響を与える調整変数を仮定することで、異なる視点を取る。 我々は、時間変化効果と未観測の調整変数によって生じる課題に対処する。
  論文  参考訳（メタデータ） (2023-10-16T16:32:35Z)
• Prediction of Post-Operative Renal and Pulmonary Complications Using Transformers [69.81176740997175]
  術後急性腎不全,肺合併症,院内死亡の予測におけるトランスフォーマーモデルの有用性について検討した。 以上の結果から,トランスフォーマーモデルにより術後合併症の予測や従来の機械学習モデルよりも優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2023-06-01T14:08:05Z)
• Estimating counterfactual treatment outcomes over time in complex multiagent scenarios [15.919561391684024]
  対実的長期予測を用いた個別治療効果(ITE)の推定は、そのような介入を評価するために実用的である。 本稿では,マルチエージェントシステムにおける解釈可能な,非実効的リカレントネットワークを提案し,介入の効果を推定する。
  論文  参考訳（メタデータ） (2022-06-04T04:04:25Z)
• Causal Transformer for Estimating Counterfactual Outcomes [18.640006398066188]
  多くのアプリケーションでは、観測データから時間とともに反現実的な結果を予測することが重要となる。 我々は、時間とともに反現実的な結果を予測するための新しい因果変換器を開発した。 私たちのモデルは、時間によって異なる共同設立者間の複雑な長距離依存関係をキャプチャするために特別に設計されています。
  論文  参考訳（メタデータ） (2022-04-14T22:40:09Z)
• 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)
• Transformers for prompt-level EMA non-response prediction [62.41658786277712]
  エコロジー・モメンタリー・アセスメント(Ecological Momentary Assessments、EMA)は、認知状態、影響、行動、環境要因を測定するための重要な心理的データ源である。 参加者がEMAプロンプトに反応しない非応答は、内因性問題である。 非応答を正確に予測できる能力は、EMAのデリバリを改善し、コンプライアンスの介入を開発するために利用することができる。
  論文  参考訳（メタデータ） (2021-11-01T18:38:47Z)
• STELAR: Spatio-temporal Tensor Factorization with Latent Epidemiological Regularization [76.57716281104938]
  我々は,多くの地域の流行傾向を同時に予測するテンソル法を開発した。 stelarは離散時間差分方程式のシステムを通じて潜在時間正規化を組み込むことで長期予測を可能にする。 我々は、カウンティレベルと州レベルのCOVID-19データの両方を用いて実験を行い、このモデルが流行の興味深い潜伏パターンを識別できることを示します。
  論文  参考訳（メタデータ） (2020-12-08T21:21:47Z)
• DeepRite: Deep Recurrent Inverse TreatmEnt Weighting for Adjusting Time-varying Confounding in Modern Longitudinal Observational Data [68.29870617697532]
  時系列データにおける時間変化の相違に対するDeep Recurrent Inverse TreatmEnt重み付け(DeepRite)を提案する。 DeepRiteは、合成データから基底的真理を復元し、実際のデータから偏りのない処理効果を推定する。
  論文  参考訳（メタデータ） (2020-10-28T15:05:08Z)
• 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)
• 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)

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。