論文の概要: Learning Personalized Treatment Decisions in Precision Medicine: Disentangling Treatment Assignment Bias in Counterfactual Outcome Prediction and Biomarker Identification
- arxiv url: http://arxiv.org/abs/2410.00509v1
- Date: Tue, 1 Oct 2024 08:47:29 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-05 05:07:10.065349
- Title: Learning Personalized Treatment Decisions in Precision Medicine: Disentangling Treatment Assignment Bias in Counterfactual Outcome Prediction and Biomarker Identification
- Title（参考訳）: 精密医療におけるパーソナライズされた治療決定の学習:非現実的なアウトカム予測とバイオマーカー同定における治療割り当てバイアスの分散
- Authors: Michael Vollenweider, Manuel Schürch, Chiara Rohrer, Gabriele Gut, Michael Krauthammer, Andreas Wicki,
- Abstract要約: 本研究は,相互情報を用いた多種多様な治療課題バイアスをモデル化する。
経験的生物学的メカニズムを取り入れることで、実世界のデータの複雑さを反映したより現実的なベンチマークを作成する。
- 参考スコア（独自算出の注目度）: 0.05277756703318046
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Precision medicine offers the potential to tailor treatment decisions to individual patients, yet it faces significant challenges due to the complex biases in clinical observational data and the high-dimensional nature of biological data. This study models various types of treatment assignment biases using mutual information and investigates their impact on machine learning (ML) models for counterfactual prediction and biomarker identification. Unlike traditional counterfactual benchmarks that rely on fixed treatment policies, our work focuses on modeling different characteristics of the underlying observational treatment policy in distinct clinical settings. We validate our approach through experiments on toy datasets, semi-synthetic tumor cancer genome atlas (TCGA) data, and real-world biological outcomes from drug and CRISPR screens. By incorporating empirical biological mechanisms, we create a more realistic benchmark that reflects the complexities of real-world data. Our analysis reveals that different biases lead to varying model performances, with some biases, especially those unrelated to outcome mechanisms, having minimal effect on prediction accuracy. This highlights the crucial need to account for specific biases in clinical observational data in counterfactual ML model development, ultimately enhancing the personalization of treatment decisions in precision medicine.
- Abstract（参考訳）: 精密医療は、個々の患者に対して治療決定を調整する可能性があるが、臨床観察データの複雑なバイアスと、生物学的データの高次元的な性質のために、大きな課題に直面している。
本研究は,相互情報を用いた多種多様な治療課題バイアスをモデル化し,その影響を機械学習(ML)モデルを用いて予測し,バイオマーカーの同定を行う。
本研究は, 固定治療方針に依存する従来の対策ベンチマークとは異なり, 基礎となる観察治療方針の異なる特徴を, 異なる臨床条件でモデル化することに焦点を当てる。
我々は,おもちゃのデータセット,半合成癌ゲノムアトラス(TCGA)データ,および薬物およびCRISPRスクリーンによる実世界の生物学的結果を用いて,我々のアプローチを検証した。
実証的な生物学的メカニズムを取り入れることで、実世界のデータの複雑さを反映したより現実的なベンチマークを作成する。
分析の結果,いくつかのバイアス,特に結果のメカニズムとは無関係なバイアスは,予測精度に最小限の影響を与えることがわかった。
このことは、対実的MLモデル開発における臨床観察データの特定のバイアスを考慮し、究極的には、精密医療における治療決定のパーソナライズを強化することの重要性を浮き彫りにしている。
関連論文リスト
- Meta-Learners for Partially-Identified Treatment Effects Across Multiple Environments [67.80453452949303]
観察データから条件平均治療効果(CATE)を推定することは、パーソナライズされた医療など多くの応用に関係している。
ここでは、観測データが複数の環境からやってくる広範囲な環境に焦点を当てる。
任意の機械学習モデルと組み合わせて使用可能な境界を推定するために、異なるモデルに依存しない学習者(いわゆるメタ学習者)を提案する。
論文 参考訳（メタデータ） (2024-06-04T16:31:43Z) - Towards AI-Based Precision Oncology: A Machine Learning Framework for Personalized Counterfactual Treatment Suggestions based on Multi-Omics Data [0.05025737475817938]
本稿では,個別のがん治療提案のためのモジュール型機械学習フレームワークを提案する。
このフレームワークは、データ駆動がん研究に固有の重要な課題に対処するように調整されている。
本手法は,臨床医に現実的な意思決定支援ツールを提供することを目的としている。
論文 参考訳（メタデータ） (2024-02-19T14:54:20Z) - Mixed-Integer Projections for Automated Data Correction of EMRs Improve
Predictions of Sepsis among Hospitalized Patients [7.639610349097473]
本稿では,領域制約として臨床専門知識をシームレスに統合する革新的プロジェクションに基づく手法を提案する。
我々は、患者データの健全な範囲を規定する制約から補正されたデータの距離を測定する。
AUROCは0.865で、精度は0.922で、従来のMLモデルを上回る。
論文 参考訳（メタデータ） (2023-08-21T15:14:49Z) - Algorithmic Bias, Generalist Models,and Clinical Medicine [1.9143819780453073]
臨床機械学習における支配的なパラダイムは、モデルが特定の臨床タスクのためのバイオメディカルデータセットに基づいて訓練されるという意味で狭くなっている。
新たなパラダイムは、GoogleのBERTやPaLMといった汎用言語モデルが、臨床ユースケースに適応しつつあるという意味で、一般論である。
これらの次世代モデルの多くは、以前の臨床モデルよりもかなりの性能向上をもたらすが、同時に新しい種類のアルゴリズムバイアスも導入している。
本稿では, 一般モデルにおける偏見が, 先行臨床モデルにおける偏見とどのように異なるのかを詳述し, アルゴリズム的偏見緩和のための実践的推奨事項を抽出する。
論文 参考訳（メタデータ） (2023-05-06T10:48:51Z) - 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) - Improving generalization of machine learning-identified biomarkers with
causal modeling: an investigation into immune receptor diagnostics [2.40246230430283]
我々は、最近確立された高次元バイオマーカー-アダプティブ免疫受容体レパートリー(AIRRs)に焦点をあてる。
因果モデリングは,変数間の安定な関係を同定することにより,機械学習に基づくバイオマーカーの堅牢性を向上させる。
論文 参考訳（メタデータ） (2022-04-20T08:15:54Z) - What Do You See in this Patient? Behavioral Testing of Clinical NLP
Models [69.09570726777817]
本稿では,入力の変化に関する臨床結果モデルの振る舞いを評価する拡張可能なテストフレームワークを提案する。
私たちは、同じデータを微調整しても、モデル行動は劇的に変化し、最高のパフォーマンスのモデルが常に最も医学的に可能なパターンを学習していないことを示しています。
論文 参考訳（メタデータ） (2021-11-30T15:52:04Z) - MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。
我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。
我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
論文 参考訳（メタデータ） (2020-10-08T15:30:17Z) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳（メタデータ） (2020-09-02T02:50:30Z) - Trajectories, bifurcations and pseudotime in large clinical datasets:
applications to myocardial infarction and diabetes data [94.37521840642141]
混合データ型と欠落値を特徴とする大規模臨床データセット分析のための半教師付き方法論を提案する。
この手法は、次元の減少、データの可視化、クラスタリング、特徴の選択と、部分的に順序付けられた観測列における測地距離(擬時)の定量化のタスクを同時に扱うことのできる弾性主グラフの適用に基づいている。
論文 参考訳（メタデータ） (2020-07-07T21:04:55Z)
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。