論文の概要: Heterogeneous Causal Discovery of Repeated Undesirable Health Outcomes
- arxiv url: http://arxiv.org/abs/2503.11477v1
- Date: Fri, 14 Mar 2025 15:05:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-17 13:07:49.970506
- Title: Heterogeneous Causal Discovery of Repeated Undesirable Health Outcomes
- Title（参考訳）: 反復的望ましくない健康結果の不均一な因果発見
- Authors: Shishir Adhikari, Guido Muscioni, Mark Shapiro, Plamen Petrov, Elena Zheleva,
- Abstract要約: 因果発見は、観測データから原因と効果の仮説を生成することによって、従来のアプローチに代わる手段を提供する。
しばしば強いあるいは証明不可能な仮定に頼り、その実践的応用を制限することができる。
本研究は、複数の仮定を考慮し、異種効果を同定することにより、因果発見をより実用的なものにすることを目的としている。
- 参考スコア（独自算出の注目度）: 8.16644941863291
- License:
- Abstract: Understanding factors triggering or preventing undesirable health outcomes across patient subpopulations is essential for designing targeted interventions. While randomized controlled trials and expert-led patient interviews are standard methods for identifying these factors, they can be time-consuming and infeasible. Causal discovery offers an alternative to conventional approaches by generating cause-and-effect hypotheses from observational data. However, it often relies on strong or untestable assumptions, which can limit its practical application. This work aims to make causal discovery more practical by considering multiple assumptions and identifying heterogeneous effects. We formulate the problem of discovering causes and effect modifiers of an outcome, where effect modifiers are contexts (e.g., age groups) with heterogeneous causal effects. Then, we present a novel, end-to-end framework that incorporates an ensemble of causal discovery algorithms and estimation of heterogeneous effects to discover causes and effect modifiers that trigger or inhibit the outcome. We demonstrate that the ensemble approach improves robustness by enhancing recall of causal factors while maintaining precision. Our study examines the causes of repeat emergency room visits for diabetic patients and hospital readmissions for ICU patients. Our framework generates causal hypotheses consistent with existing literature and can help practitioners identify potential interventions and patient subpopulations to focus on.
- Abstract（参考訳）: 患者サブポピュレーション全体にわたる望ましくない健康影響を誘発または予防する要因を理解することは、標的とした介入を設計するために不可欠である。
ランダム化比較試験と専門家主導の患者インタビューはこれらの要因を特定する標準的な方法であるが、時間がかかり、実現不可能である。
因果発見は、観測データから原因と効果の仮説を生成することによって、従来のアプローチに代わる手段を提供する。
しかし、しばしば強いあるいは証明不可能な仮定に依存しており、実際的な応用を制限することができる。
本研究は、複数の仮定を考慮し、異種効果を同定することにより、因果発見をより実用的なものにすることを目的としている。
結果の因果関係と効果修飾子(効果修飾子)の発見問題を定式化し, 効果修飾子は異種因果効果をもつ文脈(例えば年齢群)である。
そこで本研究では,因果発見アルゴリズムのアンサンブルと異種効果の推定を組み込んだ新しいエンドツーエンドフレームワークを提案する。
精度を保ちながら因果関係の再現性を高めることにより,アンサンブルアプローチがロバスト性を向上させることを示す。
本研究は, ICU患者に対する糖尿病患者に対する緊急診察, 入院寛解の再発の原因について検討した。
本研究の枠組みは,既存の文献と整合した因果仮説を創出し,医療従事者による潜在的介入や患者サブポピュレーションの発見を支援する。
関連論文リスト
- Identifiable Latent Polynomial Causal Models Through the Lens of Change [82.14087963690561]
因果表現学習は、観測された低レベルデータから潜在的な高レベル因果表現を明らかにすることを目的としている。
主な課題の1つは、識別可能性(identifiability)として知られるこれらの潜伏因果モデルを特定する信頼性の高い保証を提供することである。
論文 参考訳（メタデータ） (2023-10-24T07:46:10Z) - Nonlinearity, Feedback and Uniform Consistency in Causal Structural
Learning [0.8158530638728501]
Causal Discoveryは、観測データから因果構造を学習するための自動探索手法を見つけることを目的としている。
この論文は因果発見における2つの疑問に焦点をあてる: (i) k-三角形の忠実性の代替定義を提供すること (i) (i) はガウス分布の族に適用されるとき強い忠実性よりも弱いこと (ii) 修正版の強忠実性が成り立つという仮定のもとに。
論文 参考訳（メタデータ） (2023-08-15T01:23:42Z) - Nonparametric Identifiability of Causal Representations from Unknown
Interventions [63.1354734978244]
本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。
我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
論文 参考訳（メタデータ） (2023-06-01T10:51:58Z) - iCITRIS: Causal Representation Learning for Instantaneous Temporal
Effects [36.358968799947924]
因果表現学習は、基礎となる因果変数とその関係を高次元観測から識別するタスクである。
時間的シーケンスにおける瞬時効果を処理できる因果表現学習法iCITRISを提案する。
3つのビデオデータセットの実験において、iCITRISは因果因子とその因果グラフを正確に識別する。
論文 参考訳（メタデータ） (2022-06-13T13:56:40Z) - Active Bayesian Causal Inference [72.70593653185078]
因果発見と推論を統合するための完全ベイズ能動学習フレームワークであるアクティブベイズ因果推論(ABCI)を提案する。
ABCIは因果関係のモデルと関心のクエリを共同で推論する。
我々のアプローチは、完全な因果グラフの学習のみに焦点を当てた、いくつかのベースラインよりも、よりデータ効率が高いことを示す。
論文 参考訳（メタデータ） (2022-06-04T22:38:57Z) - BaCaDI: Bayesian Causal Discovery with Unknown Interventions [118.93754590721173]
BaCaDIは因果構造と介入の両方の潜在確率的表現の連続的な空間で機能する。
BaCaDIは、合成因果発見タスクとシミュレートされた遺伝子発現データの実験において、因果構造と介入ターゲットを識別する関連手法より優れている。
論文 参考訳（メタデータ） (2022-06-03T16:25:48Z) - Causal Effect Estimation using Variational Information Bottleneck [19.6760527269791]
因果推論とは、介入が適用されるときの因果関係における因果効果を推定することである。
変分情報ボトルネック(CEVIB)を用いて因果効果を推定する手法を提案する。
論文 参考訳（メタデータ） (2021-10-26T13:46:12Z) - An introduction to causal reasoning in health analytics [2.199093822766999]
従来の機械学習と統計的アプローチで発生する可能性のある欠点のいくつかを強調して、観測データを分析します。
一般的な機械学習問題に対処するための因果推論の応用を実演する。
論文 参考訳（メタデータ） (2021-05-10T20:25:56Z) - Causes of Effects: Learning individual responses from population data [23.593582720307207]
個別化の問題とその医学への応用について研究する。
例えば、治療の恩恵を受ける確率は、治療された場合の好ましくない結果と、治療されていない場合の好ましくない結果である。
必要十分度(PNS)の確率に限界を当て、グラフィカルな基準や実用的応用とともに既存の研究を分析・拡大します。
論文 参考訳（メタデータ） (2021-04-28T12:38:11Z) - ACRE: Abstract Causal REasoning Beyond Covariation [90.99059920286484]
因果誘導における現在の視覚システムの系統的評価のための抽象因果分析データセットについて紹介する。
Blicket実験における因果発見の研究の流れに触発され、独立シナリオと介入シナリオのいずれにおいても、以下の4種類の質問で視覚的推論システムに問い合わせる。
純粋なニューラルモデルは確率レベルのパフォーマンスの下で連想戦略に向かう傾向があるのに対し、ニューロシンボリックな組み合わせは後方ブロッキングの推論に苦しむ。
論文 参考訳（メタデータ） (2021-03-26T02:42:38Z) - Efficient Causal Inference from Combined Observational and
Interventional Data through Causal Reductions [68.6505592770171]
因果効果を推定する際の主な課題の1つである。
そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。
パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-03-08T14:29:07Z)
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。