論文の概要: A Causal Framework for Precision Rehabilitation

• arxiv url: http://arxiv.org/abs/2411.03919v1
• Date: Wed, 06 Nov 2024 13:51:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-07 19:22:19.995799
• Title: A Causal Framework for Precision Rehabilitation
• Title（参考訳）: 精密リハビリテーションのための因果的枠組み
• Authors: R. James Cotton, Bryant A. Seamon, Richard L. Segal, Randal D. Davis, Amrita Sahu, Michelle M. McLeod, Pablo Celnik, Sharon L. Ramey,
• Abstract要約: 精密リハビリテーションは、長期的機能的成果を改善するために個人のリハビリを最適化するためのエビデンスベースのアプローチを約束する。 人工知能によって駆動されるものを含む新しい技術は、リハビリテーション中のさまざまな機能領域を定量化する能力を急速に拡大しています。 これは、ビッグデータの時代へのリハビリを後押しし、精度回復の強力な原動力となるだろうが、我々の分野には、これらのデータを活用し、この約束を果たすための一貫性のある枠組みが欠如している。
• 参考スコア（独自算出の注目度）: 1.3060095849496556
• License:
• Abstract: Precision rehabilitation offers the promise of an evidence-based approach for optimizing individual rehabilitation to improve long-term functional outcomes. Emerging techniques, including those driven by artificial intelligence, are rapidly expanding our ability to quantify the different domains of function during rehabilitation, other encounters with healthcare, and in the community. While this seems poised to usher rehabilitation into the era of big data and should be a powerful driver of precision rehabilitation, our field lacks a coherent framework to utilize these data and deliver on this promise. We propose a framework that builds upon multiple existing pillars to fill this gap. Our framework aims to identify the Optimal Dynamic Treatment Regimens (ODTR), or the decision-making strategy that takes in the range of available measurements and biomarkers to identify interventions likely to maximize long-term function. This is achieved by designing and fitting causal models, which extend the Computational Neurorehabilitation framework using tools from causal inference. These causal models can learn from heterogeneous data from different silos, which must include detailed documentation of interventions, such as using the Rehabilitation Treatment Specification System. The models then serve as digital twins of patient recovery trajectories, which can be used to learn the ODTR. Our causal modeling framework also emphasizes quantitatively linking changes across levels of the functioning to ensure that interventions can be precisely selected based on careful measurement of impairments while also being selected to maximize outcomes that are meaningful to patients and stakeholders. We believe this approach can provide a unifying framework to leverage growing big rehabilitation data and AI-powered measurements to produce precision rehabilitation treatments that can improve clinical outcomes.
• Abstract（参考訳）: 精密リハビリテーションは、長期的機能的成果を改善するために個人のリハビリを最適化するためのエビデンスベースのアプローチを約束する。 人工知能によって駆動されるものを含む新興技術は、リハビリテーション中のさまざまな機能領域を定量化する能力を急速に拡大しています。 これは、ビッグデータの時代へのリハビリを後押しし、精度回復の強力な原動力となるだろうが、我々の分野には、これらのデータを活用し、この約束を果たすための一貫性のある枠組みが欠如している。 このギャップを埋めるために、複数の既存の柱の上に構築されるフレームワークを提案する。 本フレームワークは, 最適動的治療規則 (ODTR) や, 使用可能な測定値とバイオマーカーの範囲を考慮した意思決定戦略を同定し, 長期的機能を最大化する可能性のある介入を特定することを目的としている。 これは、因果推論のツールを使用して計算神経リハビリテーションフレームワークを拡張する因果モデルの設計と適合によって達成される。 これらの因果モデルは、様々なサイロから異種データから学ぶことができ、リハビリテーション処理仕様システム(Rehabilitation Treatment Specification System)など、介入の詳細なドキュメントを含む必要がある。 次に、これらのモデルは患者の回復軌道のデジタル双対として機能し、ODTRを学習するために使用することができる。 我々の因果モデリングフレームワークは、機能レベルの変化を定量的にリンクすることで、障害の慎重な測定に基づいて介入を正確に選択できると同時に、患者や利害関係者にとって有意義な結果の最大化にも寄与する。 このアプローチは、成長する大きなリハビリテーションデータとAIによる測定を活用して、臨床結果を改善するための精密リハビリテーション治療を実現するための統一的なフレームワークを提供することができると信じている。

関連論文リスト

• Rethinking Model Prototyping through the MedMNIST+ Dataset Collection [0.11999555634662634]
  本研究は,MedMNIST+データベースに対する評価環境の多様化のためのベンチマークを示す。 我々は、医用画像分類のための共通畳み込みニューラルネットワーク(CNN)とトランスフォーマーベースのアーキテクチャを徹底的に分析する。 この結果から,計算効率のよいトレーニングスキームと最新の基礎モデルは,高額なエンドツーエンドトレーニングとリソース強化アプローチのギャップを埋める上で有望であることが示唆された。
  論文  参考訳（メタデータ） (2024-04-24T10:19:25Z)
• Adaptive Affinity-Based Generalization For MRI Imaging Segmentation Across Resource-Limited Settings [1.5703963908242198]
  本稿では,適応親和性に基づく蒸留とカーネルベースの蒸留をシームレスに組み合わせた,新しい関係に基づく知識フレームワークを提案する。 革新的アプローチを検証するために,我々は公開されている複数ソースのMRIデータについて実験を行った。
  論文  参考訳（メタデータ） (2024-04-03T13:35:51Z)
• D-STGCNT: A Dense Spatio-Temporal Graph Conv-GRU Network based on transformer for assessment of patient physical rehabilitation [0.3626013617212666]
  本稿では,リハビリテーション演習を評価するための新しいグラフベースモデルを提案する。 デンス接続とGRU機構は、大きな3Dスケルトン入力を迅速に処理するために使用される。 KIMOREおよびUI-PRMDデータセットに対する提案手法の評価は,その可能性を強調した。
  論文  参考訳（メタデータ） (2023-12-21T00:38:31Z)
• Doubly Robust Proximal Causal Learning for Continuous Treatments [56.05592840537398]
  本稿では,カーネルベースの2倍頑健な因果学習推定器を提案する。 オラクル形式は影響関数の一貫した近似であることを示す。 次に、平均二乗誤差の観点から総合収束解析を行う。
  論文  参考訳（メタデータ） (2023-09-22T12:18:53Z)
• Automatic diagnosis of knee osteoarthritis severity using Swin transformer [55.01037422579516]
  変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。 我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
  論文  参考訳（メタデータ） (2023-07-10T09:49:30Z)
• Variable Importance Matching for Causal Inference [73.25504313552516]
  これらの目標を達成するためのModel-to-Matchと呼ばれる一般的なフレームワークについて説明する。 Model-to-Matchは、距離メートル法を構築するために変数重要度測定を使用する。 LASSO を用いて Model-to-Match フレームワークを運用する。
  論文  参考訳（メタデータ） (2023-02-23T00:43:03Z)
• 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)
• 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)
• Estimating the Effects of Continuous-valued Interventions using Generative Adversarial Networks [103.14809802212535]
  我々は,連続的評価介入の効果を推定する問題に対処するため,GAN(Generative Adversarial Network)フレームワークを構築した。 我々のモデルであるSCIGANは柔軟であり、いくつかの異なる継続的な介入に対する対実的な結果の同時推定が可能である。 継続的な介入に移行することによって生じる課題に対処するために、差別者のための新しいアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-02-27T18:46:21Z)

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。