論文の概要: Statistical Learning for Heterogeneous Treatment Effects: Pretraining, Prognosis, and Prediction

• arxiv url: http://arxiv.org/abs/2505.00310v1
• Date: Thu, 01 May 2025 05:12:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:55.230216
• Title: Statistical Learning for Heterogeneous Treatment Effects: Pretraining, Prognosis, and Prediction
• Title（参考訳）: 不均一な治療効果の統計的学習--事前学習,予後,予測
• Authors: Maximilian Schuessler, Erik Sverdrup, Robert Tibshirani,
• Abstract要約: 実世界の応用における現象を利用した事前学習戦略を提案する。 医学では、同じ生物学的シグナル伝達経路の成分は、ベースラインリスクと治療反応の両方に頻繁に影響を及ぼす。 この構造を用いて、リスク予測と因果効果推定の相乗効果を利用するモデルを開発する。
• 参考スコア（独自算出の注目度）: 40.96453902709292
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robust estimation of heterogeneous treatment effects is a fundamental challenge for optimal decision-making in domains ranging from personalized medicine to educational policy. In recent years, predictive machine learning has emerged as a valuable toolbox for causal estimation, enabling more flexible effect estimation. However, accurately estimating conditional average treatment effects (CATE) remains a major challenge, particularly in the presence of many covariates. In this article, we propose pretraining strategies that leverages a phenomenon in real-world applications: factors that are prognostic of the outcome are frequently also predictive of treatment effect heterogeneity. In medicine, for example, components of the same biological signaling pathways frequently influence both baseline risk and treatment response. Specifically, we demonstrate our approach within the R-learner framework, which estimates the CATE by solving individual prediction problems based on a residualized loss. We use this structure to incorporate "side information" and develop models that can exploit synergies between risk prediction and causal effect estimation. In settings where these synergies are present, this cross-task learning enables more accurate signal detection: yields lower estimation error, reduced false discovery rates, and higher power for detecting heterogeneity.
• Abstract（参考訳）: 不均一な治療効果のロバストな評価は、パーソナライズド医療から教育政策まで、領域における最適な意思決定の基本的な課題である。 近年、予測機械学習は因果推定のための貴重なツールボックスとして登場し、より柔軟な効果推定を可能にしている。 しかし、条件平均治療効果(CATE)を正確に推定することは、特に多くの共変量の存在下で大きな課題である。 本稿では,実世界の応用における現象を利用した事前学習戦略を提案する。 例えば医学では、同じ生物学的シグナル伝達経路の成分は、ベースラインリスクと治療反応の両方に頻繁に影響を及ぼす。 具体的には、残余化損失に基づいて個別の予測問題を解くことにより、CATEを推定するR-learnerフレームワークのアプローチを実証する。 この構造を用いて、リスク予測と因果効果推定の相乗効果を利用するモデルを開発する。 これらのシナジーが存在する環境では、このクロスタスク学習により、より正確な信号検出が可能になる。

関連論文リスト

• Proximal Causal Learning of Conditional Average Treatment Effects [0.0]
  異種治療効果を学習するための2段階損失関数を提案する。 提案手法は,市販の損失最小化機械学習手法により実装できる。
  論文  参考訳（メタデータ） (2023-01-26T02:56:36Z)
• Heterogeneous Treatment Effect Estimation for Observational Data using Model-based Forests [0.0]
  本研究では,観測データにおける不整合問題に対処するため,モデルに基づく森林の修正を提案する。 この戦略は,様々な結果分布を模擬した実験において,コンバウンディング効果を低減させることがわかった。 筋萎縮性側索硬化症の進行に対するリルゾールの潜在的ヘテロジニアス効果を評価することにより,HTEの生存率と経時的成績を推定する実践的側面を示す。
  論文  参考訳（メタデータ） (2022-10-06T11:49:39Z)
• 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)
• 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)
• SurvITE: Learning Heterogeneous Treatment Effects from Time-to-Event Data [83.50281440043241]
  時系列データから不均一な処理効果を推定する問題について検討する。 本稿では,バランス表現に基づく治療特異的ハザード推定のための新しいディープラーニング手法を提案する。
  論文  参考訳（メタデータ） (2021-10-26T20:13:17Z)
• A standardized framework for risk-based assessment of treatment effect heterogeneity in observational healthcare databases [60.07352590494571]
  本研究の目的は,この手法を標準化されたスケーラブルなフレームワークを用いて観測環境に拡張することであった。 アンジオテンシン変換酵素阻害薬(ACE)とβ阻害薬の3つの効果と6つの安全性に対する効果を評価することにより,我々の枠組みを実証する。
  論文  参考訳（メタデータ） (2020-10-13T14:48:31Z)
• Estimating heterogeneous survival treatment effect in observational data using machine learning [9.951103976634407]
  観測データにおける不均一な処理効果を推定する方法は, 連続的あるいは二分的な結果に大きく焦点を絞っている。 対物的フレームワークで柔軟な機械学習手法を使用することは、複雑な個人特性による課題に対処するための有望なアプローチである。
  論文  参考訳（メタデータ） (2020-08-17T01:02:14Z)
• 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)

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。