論文の概要: Counterfactual Uncertainty Quantification of Factual Estimand of Efficacy from Before-and-After Treatment Repeated Measures Randomized Controlled Trials

• arxiv url: http://arxiv.org/abs/2411.09635v3
• Date: Fri, 17 Jan 2025 16:11:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-20 13:58:18.426805
• Title: Counterfactual Uncertainty Quantification of Factual Estimand of Efficacy from Before-and-After Treatment Repeated Measures Randomized Controlled Trials
• Title（参考訳）: ランダム化試験を無作為化した前・後処理による実効性評価の不確実性定量化
• Authors: Xingya Wang, Yang Han, Yushi Liu, Szu-Yu Tang, Jason C. Hsu,
• Abstract要約: 本稿では、実測点推定の不確実性を定量化する$textitcounterfactual$ uncertainty Quantification (CUQ)を示すが、反実的な設定では達成可能である。 我々は、ETZと呼ばれる新しい統計モデリング原理を作成することにより、現実のUQよりも変動性が小さいCUQを実現する。 我々は,標準回帰仮定に反する測定誤差のある予測器の使用に注意を喚起し,治療効果を推定するために$textitattenuation$を発生させる可能性がある。
• 参考スコア（独自算出の注目度）: 1.3461364647443341
• License:
• Abstract: The ideal estimand for comparing treatment $Rx$ with a control $C$ is the $\textit{counterfactual}$ efficacy $Rx:C$, the expected differential outcome between $Rx$ and $C$ if each patient were given $\textit{both}$. One hundred years ago, Neyman (1923a) proved unbiased $\textit{point estimation}$ of counterfactual efficacy from designed $\textit{factual}$ experiments is achievable. But he left the determination of how much might the counterfactual variance of this estimate be smaller than the factual variance as an open challenge. This article shows $\textit{counterfactual}$ uncertainty quantification (CUQ), quantifying uncertainty for factual point estimates but in a counterfactual setting, is achievable for Randomized Controlled Trials (RCTs) with Before-and-After treatment Repeated Measures which are common in many therapeutic areas. We achieve CUQ whose variability is typically smaller than factual UQ by creating a new statistical modeling principle called ETZ. We urge caution in using predictors with measurement error which violates standard regression assumption and can cause $\textit{attenuation}$ in estimating treatment effects. Fortunately, we prove that, for traditional medicine in general, and for targeted therapy with efficacy defined as averaged over the population, counterfactual point estimation is unbiased. However, for both Real Human and Digital Twins approaches, predicting treatment effect in $\textit{subgroups}$ may have attenuation bias.
• Abstract（参考訳）: Rx$ とコントロール $C$ を比較する理想的な方法は $\textit{counterfactual}$ effect $Rx:C$ であり、各患者に $\textit{both}$ が与えられた場合、期待される $Rx$ と $C$ の差分結果である。 100年前、Neyman (1923a)は、設計した$\textit{factual}$実験から、非バイアスの$\textit{point Estimation}$の反ファクト効果が達成可能であることを証明した。 しかし彼は、この推定の反実的分散が、オープンチャレンジとしての事実的分散よりもどれほど小さいかという決定を残した。 本稿では, 実測点推定の不確実性を定量化する「$\textit{counterfactual}$ uncertainty Quantification(CUQ)」について述べる。 我々は、ETZと呼ばれる新しい統計モデリング原理を作成することにより、現実のUQよりも変動性が小さいCUQを実現する。 我々は、標準回帰仮定に反する測定誤差を持つ予測器の使用に注意を喚起し、治療効果を推定する際に$\textit{attenuation}$を生じる可能性がある。 幸いなことに、従来の医学全般や、人口平均で定義された有効性による標的治療については、偽物点推定が偏りがないことが証明されている。 しかし、Real HumanとDigital Twinsの両方のアプローチでは、$\textit{subgroups}$の処理効果を予測することは減衰バイアスを持つ可能性がある。

関連論文リスト

• Quantifying Aleatoric Uncertainty of the Treatment Effect: A Novel Orthogonal Learner [72.20769640318969]
  医療の安全性と有効性を理解するためには,観測データから因果量の推定が重要である。 医療従事者は、平均因果量の推定だけでなく、治療効果のランダム性をランダムな変数として理解する必要がある。 このランダム性はアレタリック不確実性と呼ばれ、治療効果の利益や量子化の確率を理解するために必要である。
  論文  参考訳（メタデータ） (2024-11-05T18:14:49Z)
• Verifiably Robust Conformal Prediction [1.391198481393699]
  本稿では、ニューラルネットワーク検証手法を利用して、敵攻撃時のカバレッジ保証を回復する新しいフレームワークであるVRCP(Verifiably Robust Conformal Prediction)を紹介する。 私たちのメソッドは、回帰タスクだけでなく、$ell1$, $ell2$, $ellinfty$といった任意のノルムで束縛された摂動をサポートする最初の方法です。 いずれの場合も、VRCPは名目上の範囲を達成し、SotAよりもはるかに効率的で情報的な予測領域が得られる。
  論文  参考訳（メタデータ） (2024-05-29T09:50:43Z)
• Estimating treatment effects from single-arm trials via latent-variable modeling [14.083487062917085]
  すべての患者が治療グループに属しているシングルアーム臨床試験は、有効な代替手段であるが、外部コントロールグループへのアクセスが必要である。 このシナリオに対して、同定可能なディープ潜在変数モデルを提案する。 その結果, 直接治療効果評価と患者マッチングによる効果評価の両面で, 性能が向上した。
  論文  参考訳（メタデータ） (2023-11-06T10:12:54Z)
• SECRETS: Subject-Efficient Clinical Randomized Controlled Trials using Synthetic Intervention [0.0]
  クロスオーバー試験は、個人ごとの処理効果を測定することで、サンプルサイズの要求を減らすことができる。 外部データを用いることなく, 患者ごとの個別治療効果(ITE)を推定する新しいフレームワークであるSECRETSを提案する。 この結果から,SECRETSはRCTのパワーを向上しつつ,同等の意義レベルを維持することができることがわかった。
  論文  参考訳（メタデータ） (2023-05-08T22:37:16Z)
• Improved Policy Evaluation for Randomized Trials of Algorithmic Resource Allocation [54.72195809248172]
  提案する新しい概念を応用した新しい推定器を提案する。 我々は,このような推定器が,サンプル手段に基づく一般的な推定器よりも精度が高いことを理論的に証明した。
  論文  参考訳（メタデータ） (2023-02-06T05:17:22Z)
• Robust and Agnostic Learning of Conditional Distributional Treatment Effects [62.44901952244514]
  条件平均治療効果(CATE)は、個々の因果効果の最適点予測である。 集約分析では、通常は分布処理効果(DTE)の測定によって対処される。 我々は,多種多様な問題に対して条件付きDTE(CDTE)を学習するための,新しい堅牢でモデルに依存しない手法を提供する。
  論文  参考訳（メタデータ） (2022-05-23T17:40:31Z)
• Treatment Effect Risk: Bounds and Inference [58.442274475425144]
  平均的な治療効果は社会福祉の変化を測定するため、たとえ肯定的であっても、人口の約10%に悪影響を及ぼすリスクがある。 本稿では,ICT分布のリスク条件値(CVaR)として定式化されたこの重要なリスク尺度をどう評価するかを検討する。 いくつかの境界は、複素CATE関数を単一の計量に要約したものと解釈することもでき、有界であることとは無関係に興味を持つ。
  論文  参考訳（メタデータ） (2022-01-15T17:21:26Z)
• Assessment of Treatment Effect Estimators for Heavy-Tailed Data [70.72363097550483]
  ランダム化制御試験(RCT)における治療効果の客観的評価における中心的な障害は、その性能をテストするための基礎的真理(または検証セット)の欠如である。 この課題に対処するための新しいクロスバリデーションのような方法論を提供する。 本手法は,Amazonサプライチェーンに実装された709RCTに対して評価を行った。
  論文  参考訳（メタデータ） (2021-12-14T17:53:01Z)
• Increasing the efficiency of randomized trial estimates via linear adjustment for a prognostic score [59.75318183140857]
  ランダム化実験による因果効果の推定は臨床研究の中心である。 歴史的借用法のほとんどは、厳格なタイプiエラー率制御を犠牲にして分散の削減を達成する。
  論文  参考訳（メタデータ） (2020-12-17T21:10:10Z)
• High-Dimensional Feature Selection for Sample Efficient Treatment Effect Estimation [0.0]
  因果的データから因果的治療効果を推定することは因果的推論の根本的な問題である。 治療コホートにまたがる結果を含む共通の目的関数を提案する。 治療効果評価実験により,本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2020-11-03T19:54:16Z)

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。