論文の概要: Inverse Probability of Treatment Weighting with Deep Sequence Models Enables Accurate treatment effect Estimation from Electronic Health Records
- arxiv url: http://arxiv.org/abs/2406.08851v1
- Date: Thu, 13 Jun 2024 06:29:16 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-14 19:03:54.720820
- Title: Inverse Probability of Treatment Weighting with Deep Sequence Models Enables Accurate treatment effect Estimation from Electronic Health Records
- Title（参考訳）: 電子カルテからの精度の高い治療効果推定を可能にする深部列モデルによる治療重量の逆確率
- Authors: Junghwan Lee, Simin Ma, Nicoleta Serban, Shihao Yang,
- Abstract要約: 治療重み付けの逆確率 (IPTW) は広く用いられている確率スコア法である。
我々は,IMTWを用いて,クレームレコードを用いた時間依存コンバウンディングの存在下での処理効果を推定することを提案する。
ディープシークエンスモデルは、様々な下流タスクのためのEHRのモデリングにおいて優れた性能を示している。
- 参考スコア（独自算出の注目度）: 1.1824562114990471
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Observational data have been actively used to estimate treatment effect, driven by the growing availability of electronic health records (EHRs). However, EHRs typically consist of longitudinal records, often introducing time-dependent confoundings that hinder the unbiased estimation of treatment effect. Inverse probability of treatment weighting (IPTW) is a widely used propensity score method since it provides unbiased treatment effect estimation and its derivation is straightforward. In this study, we aim to utilize IPTW to estimate treatment effect in the presence of time-dependent confounding using claims records. Previous studies have utilized propensity score methods with features derived from claims records through feature processing, which generally requires domain knowledge and additional resources to extract information to accurately estimate propensity scores. Deep sequence models, particularly recurrent neural networks and self-attention-based architectures, have demonstrated good performance in modeling EHRs for various downstream tasks. We propose that these deep sequence models can provide accurate IPTW estimation of treatment effect by directly estimating the propensity scores from claims records without the need for feature processing. We empirically demonstrate this by conducting comprehensive evaluations using synthetic and semi-synthetic datasets.
- Abstract（参考訳）: 電子健康記録(EHR)の増大に伴う治療効果の推計には,観察データの利用が盛んに行われている。
しかしながら、EHRは通常、経年記録から成り、しばしば時間依存のコンファウンディングを導入し、治療効果の偏りのない推定を妨げている。
処理重み付けの逆確率 (IPTW) は、不偏処理効果の推定を提供し、その導出が容易であるため、広く用いられている確率スコア法である。
本研究では,IPTWを用いて,クレーム記録を用いた時間依存的コンファウンディングの存在下での処理効果を推定することを目的とする。
従来の研究では, 情報抽出にドメイン知識と追加資源を必要とする特徴処理を通じて, クレーム記録から派生した特徴を持つ確率スコア法を用いて, 正確さスコアを推定している。
ディープシーケンスモデル、特にリカレントニューラルネットワークと自己アテンションに基づくアーキテクチャは、さまざまな下流タスクのためのEHRをモデル化する上で、優れたパフォーマンスを示している。
我々は,これらの深部配列モデルを用いて,特徴処理を必要とせずに,クレームレコードからの適合度スコアを直接推定することにより,処理効果の精度の高い IPTW 推定が可能であることを提案する。
合成および半合成データセットを用いて包括的評価を行うことによりこれを実証的に実証する。
関連論文リスト
- Efficient adjustment for complex covariates: Gaining efficiency with
DOPE [56.537164957672715]
共変量によって表現される情報のサブセットを調整可能なフレームワークを提案する。
理論的な結果に基づいて,平均処理効果(ATE)の効率的な評価を目的とした,デバイアスドアウトカム適応確率推定器(DOPE)を提案する。
その結果,DOPE は様々な観測環境において ATE 推定のための効率的かつ堅牢な手法を提供することがわかった。
論文 参考訳（メタデータ） (2024-02-20T13:02:51Z) - 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) - Deep Bayesian Estimation for Dynamic Treatment Regimes with a Long
Follow-up Time [28.11470886127216]
動的治療体制(DTR)の因果効果推定は、シーケンシャルな意思決定に寄与する。
結果回帰モデルと高次元特徴に対する治療モデルを組み合わせる。
また、開発されたディープベイズモデルでは、不確実性をモデル化し、自動運転車や医療設計など、安全に配慮したアプリケーションに不可欠な予測分散を出力することができる。
論文 参考訳（メタデータ） (2021-09-20T13:21:39Z) - Imputation-Free Learning from Incomplete Observations [73.15386629370111]
本稿では,不備な値を含む入力からの推論をインプットなしでトレーニングするIGSGD法の重要性について紹介する。
バックプロパゲーションによるモデルのトレーニングに使用する勾配の調整には強化学習(RL)を用いる。
我々の計算自由予測は、最先端の計算手法を用いて従来の2段階の計算自由予測よりも優れている。
論文 参考訳（メタデータ） (2021-07-05T12:44:39Z) - Teaching deep learning causal effects improves predictive performance [18.861884489332894]
時間的EHRデータに対する因果時間構造を記述し、この構造に基づいて時系列のITTを推定する。
推定ITTを組み込む知識誘導型ニューラルネットワーク手法を提案する。
論文 参考訳（メタデータ） (2020-11-11T00:01:14Z) - 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) - Estimating Individual Treatment Effects with Time-Varying Confounders [9.784193264717098]
医療において、観察データから個別治療効果(ITE)を推定することは意義があり実用的である。
既存の作業は主に、隠れた共同設立者が存在しないという強い無知の仮定に依存している。
時系列重み付け (DSW) を用いて, ITE の時間変化を推定する手法を提案する。
論文 参考訳（メタデータ） (2020-08-27T02:21:56Z) - Estimating heterogeneous survival treatment effect in observational data
using machine learning [9.951103976634407]
観測データにおける不均一な処理効果を推定する方法は, 連続的あるいは二分的な結果に大きく焦点を絞っている。
対物的フレームワークで柔軟な機械学習手法を使用することは、複雑な個人特性による課題に対処するための有望なアプローチである。
論文 参考訳（メタデータ） (2020-08-17T01:02:14Z) - Performance metrics for intervention-triggering prediction models do not
reflect an expected reduction in outcomes from using the model [71.9860741092209]
臨床研究者はしばしばリスク予測モデルの中から選択し評価する。
振り返りデータから算出される標準メトリクスは、特定の仮定の下でのみモデルユーティリティに関係します。
予測が時間を通して繰り返し配信される場合、標準メトリクスとユーティリティの関係はさらに複雑になる。
論文 参考訳（メタデータ） (2020-06-02T16:26:49Z) - 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。