論文の概要: Patient-Specific Models of Treatment Effects Explain Heterogeneity in Tuberculosis

• arxiv url: http://arxiv.org/abs/2411.10645v1
• Date: Sat, 16 Nov 2024 00:55:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-19 14:35:38.350105
• Title: Patient-Specific Models of Treatment Effects Explain Heterogeneity in Tuberculosis
• Title（参考訳）: 結核における患者特異的治療効果モデル
• Authors: Ethan Wu, Caleb Ellington, Ben Lengerich, Eric P. Xing,
• Abstract要約: 結核(英: tuberculosis、TB)は、HIV、糖尿病、貧血などの共同病原体が合併した世界的な健康問題である。 TBの伝統的なモデルは、広範に定義された患者グループに焦点を当てることで、この異種性を見落としていることが多い。 マルチタスク学習手法である文脈的モデリングを用いて、粗い部分群解析を超えて移動することを提案する。
• 参考スコア（独自算出の注目度）: 41.015496177711334
• License:
• Abstract: Tuberculosis (TB) is a major global health challenge, and is compounded by co-morbidities such as HIV, diabetes, and anemia, which complicate treatment outcomes and contribute to heterogeneous patient responses. Traditional models of TB often overlook this heterogeneity by focusing on broad, pre-defined patient groups, thereby missing the nuanced effects of individual patient contexts. We propose moving beyond coarse subgroup analyses by using contextualized modeling, a multi-task learning approach that encodes patient context into personalized models of treatment effects, revealing patient-specific treatment benefits. Applied to the TB Portals dataset with multi-modal measurements for over 3,000 TB patients, our model reveals structured interactions between co-morbidities, treatments, and patient outcomes, identifying anemia, age of onset, and HIV as influential for treatment efficacy. By enhancing predictive accuracy in heterogeneous populations and providing patient-specific insights, contextualized models promise to enable new approaches to personalized treatment.
• Abstract（参考訳）: 結核 (TB) は主要な世界的な健康問題であり、HIV、糖尿病、貧血などの共同病原体が混在し、治療結果を複雑化し、不均一な患者反応に寄与する。 TBの伝統的なモデルは、広範に定義された患者グループに焦点を当て、個々の患者コンテキストのニュアンスな影響を欠くことで、この異種性を見落としていることが多い。 患者コンテキストをパーソナライズされた治療効果モデルにエンコードし、患者固有の治療効果を明らかにするマルチタスク学習手法であるコンテキスト型モデリングを用いて、粗いサブグループ分析を超えて移動することを提案する。 TB Portals を用いた TB Portals データセットに3000 TB 以上の患者に対するマルチモーダル測定を適用し, 治療効果に影響を及ぼす貧血, 発症年齢, HIV を同定し, 共同病原体, 治療, 患者結果間の構造的相互作用を明らかにした。 異種集団の予測精度を高め、患者固有の洞察を提供することで、コンテキスト化されたモデルはパーソナライズされた治療に対する新しいアプローチを可能にすることを約束する。

関連論文リスト

• Addressing Data Heterogeneity in Federated Learning of Cox Proportional Hazards Models [8.798959872821962]
  本稿では,フェデレーションサバイバル分析の分野,特にCox Proportional Hazards(CoxPH)モデルについて概説する。 本稿では,合成データセットと実世界のアプリケーション間のモデル精度を向上させるために,特徴ベースのクラスタリングを用いたFLアプローチを提案する。
  論文  参考訳（メタデータ） (2024-07-20T18:34:20Z)
• Safe and Interpretable Estimation of Optimal Treatment Regimes [54.257304443780434]
  我々は、最適な治療体制を特定するための安全かつ解釈可能な枠組みを運用する。 本研究は患者の医療歴と薬理学的特徴に基づくパーソナライズされた治療戦略を支援する。
  論文  参考訳（メタデータ） (2023-10-23T19:59:10Z)
• 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)
• Towards Trustworthy Cross-patient Model Development [3.109478324371548]
  本研究は,全ての患者と1人の患者を対象に訓練を行った際のモデル性能と説明可能性の差異について検討した。 以上の結果から,患者の人口動態は,パフォーマンスや説明可能性,信頼性に大きな影響を及ぼすことが明らかとなった。
  論文  参考訳（メタデータ） (2021-12-20T10:51:04Z)
• Adversarial Sample Enhanced Domain Adaptation: A Case Study on Predictive Modeling with Electronic Health Records [57.75125067744978]
  ドメイン適応を容易にするデータ拡張手法を提案する。 逆生成したサンプルはドメイン適応時に使用される。 その結果,本手法の有効性とタスクの一般性が確認された。
  論文  参考訳（メタデータ） (2021-01-13T03:20:20Z)
• Representation Learning for Integrating Multi-domain Outcomes to Optimize Individualized Treatments [6.505217121471555]
  精神疾患の場合、患者の基礎となる精神状態は、観察された測定結果から推測されなければならない、保存されていない潜在的構成物である。 本稿では,患者の精神状態を同時に学習し,各個人に対して最適な治療を推奨する統合学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-10-30T20:30:31Z)
• Temporal Phenotyping using Deep Predictive Clustering of Disease Progression [97.88605060346455]
  我々は、時系列データをクラスタリングするためのディープラーニングアプローチを開発し、各クラスタは、同様の将来的な結果を共有する患者から構成される。 2つの実世界のデータセットに対する実験により、我々のモデルは最先端のベンチマークよりも優れたクラスタリング性能が得られることが示された。
  論文  参考訳（メタデータ） (2020-06-15T20:48:43Z)
• Deep Representation Learning of Electronic Health Records to Unlock Patient Stratification at Scale [0.5498849973527224]
  ヘテロジニアスEHRを処理するためのディープラーニングに基づく教師なしフレームワークを提案する。 患者層形成を効果的かつ効果的に行うことができる患者表現を導出する。
  論文  参考訳（メタデータ） (2020-03-14T00:04:20Z)
• 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。