論文の概要: Federated Inverse Probability Treatment Weighting for Individual Treatment Effect Estimation

• arxiv url: http://arxiv.org/abs/2503.04946v1
• Date: Thu, 06 Mar 2025 20:24:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-10 12:23:47.423584
• Title: Federated Inverse Probability Treatment Weighting for Individual Treatment Effect Estimation
• Title（参考訳）: 個別処理効果推定のためのFederated Inverse Probability Treatment Weighting
• Authors: Changchang Yin, Hong-You Chen, Wei-Lun Chao, Ping Zhang,
• Abstract要約: 個別治療効果(ITE)の推定は、医療において重要な問題である。 FED-IPTWは、IPTWをフェデレートした設定に拡張する新しいアルゴリズムである。
• 参考スコア（独自算出の注目度）: 37.02140283974264
• License:
• Abstract: Individual treatment effect (ITE) estimation is to evaluate the causal effects of treatment strategies on some important outcomes, which is a crucial problem in healthcare. Most existing ITE estimation methods are designed for centralized settings. However, in real-world clinical scenarios, the raw data are usually not shareable among hospitals due to the potential privacy and security risks, which makes the methods not applicable. In this work, we study the ITE estimation task in a federated setting, which allows us to harness the decentralized data from multiple hospitals. Due to the unavoidable confounding bias in the collected data, a model directly learned from it would be inaccurate. One well-known solution is Inverse Probability Treatment Weighting (IPTW), which uses the conditional probability of treatment given the covariates to re-weight each training example. Applying IPTW in a federated setting, however, is non-trivial. We found that even with a well-estimated conditional probability, the local model training step using each hospital's data alone would still suffer from confounding bias. To address this, we propose FED-IPTW, a novel algorithm to extend IPTW into a federated setting that enforces both global (over all the data) and local (within each hospital) decorrelation between covariates and treatments. We validated our approach on the task of comparing the treatment effects of mechanical ventilation on improving survival probability for patients with breadth difficulties in the intensive care unit (ICU). We conducted experiments on both synthetic and real-world eICU datasets and the results show that FED-IPTW outperform state-of-the-art methods on all the metrics on factual prediction and ITE estimation tasks, paving the way for personalized treatment strategy design in mechanical ventilation usage.
• Abstract（参考訳）: 個別治療効果 (ITE) の推定は、治療戦略がいくつかの重要な結果に対して因果効果を評価することであり、これは医療において重要な問題である。 既存のITT推定手法の多くは集中的な設定のために設計されている。 しかし、実際の臨床シナリオでは、プライバシやセキュリティ上のリスクがあるため、生データは病院間で共有できないことが多いため、適用できない。 本研究では,複数の病院の分散データを活用できるフェデレーション環境でのITT推定タスクについて検討する。 収集されたデータに避けられない不確実なバイアスがあるため、そこから直接学習したモデルは不正確なものになる。 Inverse Probability Treatment Weighting (IPTW) は、共変量を用いて各トレーニング例の重み付けを行う。 しかし、IPTWをフェデレートした環境で適用することは、簡単ではない。 条件付き確率が十分に評価された場合でも,各病院のデータのみを用いた局所モデルトレーニングのステップは,相反するバイアスに悩まされることが判明した。 そこで本研究では,国際的(全データ以上)と地域的(各病院内)の共変量と治療の相関を強制するフェデレーション設定にIPTWを拡張するための新しいアルゴリズムであるFED-IPTWを提案する。 集中治療室 (ICU) において, 機械的換気による治療効果を比較し, 生存率向上に向けたアプローチを検証した。 実世界のeICUデータセットと実世界のeICUデータセットを用いて実験を行った結果、FED-IPTWは実測とITT推定タスクに関するすべての指標において最先端の手法よりも優れており、機械換気におけるパーソナライズされた治療戦略設計への道が開かれた。

関連論文リスト

• Individualised Treatment Effects Estimation with Composite Treatments and Composite Outcomes [13.925793826373706]
  個別治療効果(ITE)の推定は因果推論の基本的な問題である。 ITE推定のための因果機械学習におけるこれまでの作業は、単一の処理や単一の結果など、単純な設定に限られていた。 本稿では, 複合処理および複合処理によるITT推定を解くために, emphH-Learner と呼ばれる, 斬新で革新的なハイパーネットワークベースの手法を提案する。
  論文  参考訳（メタデータ） (2025-02-12T10:41:21Z)
• DESCN: Deep Entire Space Cross Networks for Individual Treatment Effect Estimation [7.060064266376701]
  因果推論は、Eコマースや精密医療など様々な分野で広く応用されている。 本稿では,エンド・ツー・エンドの観点から治療効果をモデル化するためのDeep Entire Space Cross Networks (DESCN)を提案する。
  論文  参考訳（メタデータ） (2022-07-19T01:25:31Z)
• 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)
• Federated Causal Inference in Heterogeneous Observational Data [13.460660554484512]
  我々は、複数のサイトにおいて、各サイトごとにデータをローカルに保存している個人に対して、治療の効果を推定することに興味がある。 プライバシー上の制約により、個々のレベルのデータはサイト間で共有できない。 これらの考察により,総合データの平均処理効果を推定するフェデレーション手法を開発した。
  論文  参考訳（メタデータ） (2021-07-25T05:55:00Z)
• Sample-Efficient Reinforcement Learning via Counterfactual-Based Data Augmentation [15.451690870640295]
  医療などのいくつかのシナリオでは、通常、各患者に利用可能なレコードはごくわずかであり、現在の強化学習アルゴリズムの適用を妨げる。 構造因果モデル(SCM)を利用して状態ダイナミクスをモデル化する,データ効率の高いRLアルゴリズムを提案する。 本研究は, 軽度条件下では反実結果が識別可能であり, 反実に基づく拡張データセット上のq学習が最適値関数に収束することを示す。
  論文  参考訳（メタデータ） (2020-12-16T17:21:13Z)
• Enabling Counterfactual Survival Analysis with Balanced Representations [64.17342727357618]
  生存データは様々な医学的応用、すなわち薬物開発、リスクプロファイリング、臨床試験で頻繁に見られる。 本稿では,生存結果に適用可能な対実的推論のための理論的基盤を持つ統一的枠組みを提案する。
  論文  参考訳（メタデータ） (2020-06-14T01:15:00Z)
• Predictive Modeling of ICU Healthcare-Associated Infections from Imbalanced Data. Using Ensembles and a Clustering-Based Undersampling Approach [55.41644538483948]
  本研究は,集中治療室における危険因子の同定と医療関連感染症の予測に焦点をあてる。 感染発生率の低減に向けた意思決定を支援することを目的とする。
  論文  参考訳（メタデータ） (2020-05-07T16:13:12Z)

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。