論文の概要: Bayesian Counterfactual Prediction Models for HIV Care Retention with Incomplete Outcome and Covariate Information

• arxiv url: http://arxiv.org/abs/2410.22481v1
• Date: Tue, 29 Oct 2024 19:19:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-31 14:26:24.780847
• Title: Bayesian Counterfactual Prediction Models for HIV Care Retention with Incomplete Outcome and Covariate Information
• Title（参考訳）: 不完全なアウトカム情報と共変量情報を用いたHIVケア保持のためのベイズ対実予測モデル
• Authors: Arman Oganisian, Joseph Hogan, Edwin Sang, Allison DeLong, Ben Mosong, Hamish Fraser, Ann Mwangi,
• Abstract要約: 保持を予測し、保持を最適化するスケジュール決定を推奨するデータ駆動手法が必要である。 予測モデルは、様々なスケジューリングオプションで保持率を推定するのに有用である。 本稿では、これらの複雑さを考慮に入れながら、HIVの維持を予測し、スケジューリングを最適化するオールインワンアプローチを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Like many chronic diseases, human immunodeficiency virus (HIV) is managed over time at regular clinic visits. At each visit, patient features are assessed, treatments are prescribed, and a subsequent visit is scheduled. There is a need for data-driven methods for both predicting retention and recommending scheduling decisions that optimize retention. Prediction models can be useful for estimating retention rates across a range of scheduling options. However, training such models with electronic health records (EHR) involves several complexities. First, formal causal inference methods are needed to adjust for observed confounding when estimating retention rates under counterfactual scheduling decisions. Second, competing events such as death preclude retention, while censoring events render retention missing. Third, inconsistent monitoring of features such as viral load and CD4 count lead to covariate missingness. This paper presents an all-in-one approach for both predicting HIV retention and optimizing scheduling while accounting for these complexities. We formulate and identify causal retention estimands in terms of potential return-time under a hypothetical scheduling decision. Flexible Bayesian approaches are used to model the observed return-time distribution while accounting for competing and censoring events and form posterior point and uncertainty estimates for these estimands. We address the urgent need for data-driven decision support in HIV care by applying our method to EHR from the Academic Model Providing Access to Healthcare (AMPATH) - a consortium of clinics that treat HIV in Western Kenya.
• Abstract（参考訳）: 多くの慢性疾患と同様に、ヒト免疫不全ウイルス(HIV)は定期的なクリニック訪問で時間をかけて管理される。 各訪問において、患者の特徴を評価し、治療を処方し、その後の訪問を予定する。 保持を予測し、保持を最適化するスケジュール決定を推奨するデータ駆動手法が必要である。 予測モデルは、様々なスケジューリングオプションで保持率を推定するのに有用である。 しかしながら、電子健康記録(EHR)を用いたそのようなモデルのトレーニングには、いくつかの複雑さが伴う。 まず,疑似スケジューリング決定の下での保持率を推定する場合に,観測された干渉に対する公式な因果推定法が必要である。 第二に、死などの競合する出来事は保留を妨げ、一方、検閲された出来事は保留を欠く。 第3に、ウイルス負荷やCD4数などの特徴の一貫性のないモニタリングは、共変量欠如につながる。 本稿では、これらの複雑さを考慮に入れながら、HIVの維持を予測し、スケジューリングを最適化するオールインワンアプローチを提案する。 仮説的スケジューリング決定の下で、潜在的な戻り時間の観点から因果保持推定を定式化し、同定する。 フレキシブルベイズ的アプローチは、観測された戻り時間分布を、競合や検閲を考慮しつつモデル化し、これらの推定値の後方点と不確実性推定を形成する。 我々は、ケニア西部でHIVを治療するクリニックのコンソーシアムであるAMPATH(Academic Model Providing Access to Healthcare)からEHRに本手法を適用することにより、HIVケアにおけるデータ駆動型意思決定支援の必要性に対処する。

関連論文リスト

• Conformal Prediction for Dose-Response Models with Continuous Treatments [0.23213238782019321]
  本稿では,線量応答モデルに対する予測区間を生成する新しい手法を提案する。 重み付き共形予測においてカーネル関数を重みとして適用することにより,各処理値の局所的カバレッジを近似する。
  論文  参考訳（メタデータ） (2024-09-30T15:40:54Z)
• SurvCORN: Survival Analysis with Conditional Ordinal Ranking Neural Network [4.772480981435387]
  本稿では,条件付き順序付きランキングネットワークを用いた生存曲線の予測手法であるSurvCORNを提案する。 また,モデル予測の精度を評価するための指標であるSurvMAEを導入する。
  論文  参考訳（メタデータ） (2024-09-30T03:01:25Z)
• Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
  そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。 また,死亡率と臓器不全の関連性について有意な知見が得られた。
  論文  参考訳（メタデータ） (2024-07-28T02:42:36Z)
• HypUC: Hyperfine Uncertainty Calibration with Gradient-boosted Corrections for Reliable Regression on Imbalanced Electrocardiograms [3.482894964998886]
  本稿では,医療時系列における不均衡確率回帰の枠組みであるHypUCを提案する。 HypUCは数百万の患者から収集された、多様で現実世界のECGデータセットで評価されている。
  論文  参考訳（メタデータ） (2023-11-23T06:17:31Z)
• CenTime: Event-Conditional Modelling of Censoring in Survival Analysis [49.44664144472712]
  CenTimeは、イベントへの時間を直接見積もる、サバイバル分析の新しいアプローチである。 本手法は,非検閲データが少ない場合でも,堅牢なイベント条件検閲機構を特徴とする。 以上の結果から,CenTimeは同等の性能を維持しつつ,死までの時間を予測する上で,最先端のパフォーマンスを提供することがわかった。
  論文  参考訳（メタデータ） (2023-09-07T17:07:33Z)
• Approximate Bayesian Computation for an Explicit-Duration Hidden Markov Model of COVID-19 Hospital Trajectories [55.786207368853084]
  新型コロナウイルス(COVID-19)のパンデミックの中、病院の資源をモデル化する問題に取り組んでいます。 幅広い適用性のために、関心のある領域の患者レベルデータが利用できない、一般的なが困難なシナリオに注目します。 本稿では,ACED-HMM(ACED-HMM)と呼ばれる集合数正規化隠れマルコフモデルを提案する。
  論文  参考訳（メタデータ） (2021-04-28T15:32:42Z)
• Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
  臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。 退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。 複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
  論文  参考訳（メタデータ） (2021-02-08T10:26:44Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)
• Forecasting COVID-19 daily cases using phone call data [0.0]
  本稿では,コールデータを用いて日次確認症例数を予測するために最適化した簡易な多重線形回帰モデルを提案する。 提案手法は, ARIMA, ETS, および呼び出しデータのない回帰モデルより優れており, 3点予測誤差, 1点予測間隔, 2点の確率予測精度測定によって評価される。
  論文  参考訳（メタデータ） (2020-10-05T18:07:07Z)
• 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。