論文の概要: Federated Causal Inference in Healthcare: Methods, Challenges, and Applications

• arxiv url: http://arxiv.org/abs/2505.02238v1
• Date: Sun, 04 May 2025 20:30:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-06 18:49:35.500392
• Title: Federated Causal Inference in Healthcare: Methods, Challenges, and Applications
• Title（参考訳）: 医療におけるフェデレーション因果推論--方法・課題・応用
• Authors: Haoyang Li, Jie Xu, Kyra Gan, Fei Wang, Chengxi Zang,
• Abstract要約: フェデレート因果推論は、個々のレベルのデータを共有せずにマルチサイト処理効果の推定を可能にする。 本稿では, 連立因果効果評価の包括的検討と理論的解析を行い, 連立因果効果と連立因果効果の関係について考察する。 我々は、分散医療システムにおける、スケーラブルで公正で信頼性の高い連合因果推論の機会、課題、今後の方向性を概説して結論付けます。
• 参考スコア（独自算出の注目度）: 21.843379449376172
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Federated causal inference enables multi-site treatment effect estimation without sharing individual-level data, offering a privacy-preserving solution for real-world evidence generation. However, data heterogeneity across sites, manifested in differences in covariate, treatment, and outcome, poses significant challenges for unbiased and efficient estimation. In this paper, we present a comprehensive review and theoretical analysis of federated causal effect estimation across both binary/continuous and time-to-event outcomes. We classify existing methods into weight-based strategies and optimization-based frameworks and further discuss extensions including personalized models, peer-to-peer communication, and model decomposition. For time-to-event outcomes, we examine federated Cox and Aalen-Johansen models, deriving asymptotic bias and variance under heterogeneity. Our analysis reveals that FedProx-style regularization achieves near-optimal bias-variance trade-offs compared to naive averaging and meta-analysis. We review related software tools and conclude by outlining opportunities, challenges, and future directions for scalable, fair, and trustworthy federated causal inference in distributed healthcare systems.
• Abstract（参考訳）: フェデレート因果推論(Federated causal inference)は、個々のレベルのデータを共有せずにマルチサイト処理効果の推定を可能にし、現実世界のエビデンス生成のためのプライバシ保護ソリューションを提供する。 しかし、共変量、治療、結果の違いで表されるサイト間のデータの異質性は、偏りなく効率的な推定に重大な課題をもたらす。 本稿では, 連立因果効果評価の総合的検討と理論的解析を行い, 連立因果効果と連立因果効果の関係について考察する。 既存の手法を重みベースの戦略と最適化ベースのフレームワークに分類し、パーソナライズされたモデル、ピアツーピア通信、モデル分解を含む拡張について議論する。 時間-時間的結果について、不均一性の下での漸近バイアスと分散を導出する連邦コックスモデルとアーレン・ヨハンセンモデルについて検討する。 分析の結果,FedProxスタイルの正則化は,単純平均化やメタ分析に比べ,ほぼ最適バイアス分散トレードオフを実現することがわかった。 我々は、関連するソフトウェアツールをレビューし、分散医療システムにおけるスケーラブルで公正で信頼性の高い連合因果推論の機会、課題、今後の方向性を概説して結論付けます。

関連論文リスト

• Causally Fair Node Classification on Non-IID Graph Data [9.363036392218435]
  本稿では,フェアネスを考慮したMLアルゴリズムにおける課題について述べる。 非IID、グラフベースの設定の見落としている領域に取り組みます。 因果推論のためのメッセージパッシング変分オートエンコーダを開発した。
  論文  参考訳（メタデータ） (2025-05-03T02:05:51Z)
• Inferring Outcome Means of Exponential Family Distributions Estimated by Deep Neural Networks [5.909780773881451]
  分類的または指数関数的な家族結果に対するディープニューラルネットワーク(DNN)の推論は、まだ過小評価されていない。 一般化された非パラメトリック回帰モデル(GNRM)に基づくDNN推定器を提案し、厳密な推論フレームワークを開発する。 さらに、この手法を電子集中治療ユニット(eICU)データセットに適用し、ICUのリスクを予測し、臨床意思決定に患者中心の洞察を与える。
  論文  参考訳（メタデータ） (2025-04-12T21:32:42Z)
• Targeted Data Fusion for Causal Survival Analysis Under Distribution Shift [46.84912148188679]
  因果推論は、科学的発見の一般化可能性、輸送性、複製性を改善する可能性がある。 既存のデータ融合手法はバイナリや連続的な結果に重点を置いている。 マルチソース因果サバイバル分析のための2つの新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-01-30T23:21:25Z)
• Conformal Diffusion Models for Individual Treatment Effect Estimation and Inference [6.406853903837333]
  個々の治療効果は、個々のレベルで最もきめ細かい治療効果を提供する。 本稿では,これらの複雑な課題に対処する共形拡散モデルに基づく新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2024-08-02T21:35:08Z)
• Multi-Source Conformal Inference Under Distribution Shift [41.701790856201036]
  複数のバイアスのあるデータソースを活用することにより,対象個体数の分布自由な予測区間を得るという課題を考察する。 対象集団および源集団における未観測結果の定量値に対する効率的な影響関数を導出する。 本稿では、効率向上のための重み付き情報ソースとバイアス低減のための重み付き非情報ソースに対するデータ適応戦略を提案する。
  論文  参考訳（メタデータ） (2024-05-15T13:33:09Z)
• Collaborative Heterogeneous Causal Inference Beyond Meta-analysis [68.4474531911361]
  異種データを用いた因果推論のための協調的逆確率スコア推定器を提案する。 異質性の増加に伴うメタアナリシスに基づく手法に対して,本手法は有意な改善を示した。
  論文  参考訳（メタデータ） (2024-04-24T09:04:36Z)
• Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
  ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。 提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。 複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
  論文  参考訳（メタデータ） (2023-06-09T08:30:51Z)
• DRFLM: Distributionally Robust Federated Learning with Inter-client Noise via Local Mixup [58.894901088797376]
  連合学習は、生データをリークすることなく、複数の組織のデータを使用してグローバルモデルをトレーニングするための有望なアプローチとして登場した。 上記の2つの課題を同時に解決するための一般的な枠組みを提案する。 我々は、ロバストネス解析、収束解析、一般化能力を含む包括的理論的解析を提供する。
  論文  参考訳（メタデータ） (2022-04-16T08:08:29Z)
• BayesIMP: Uncertainty Quantification for Causal Data Fusion [52.184885680729224]
  本研究では,複数の因果グラフに関連するデータセットを組み合わせ,対象変数の平均処理効果を推定する因果データ融合問題について検討する。 本稿では、確率積分とカーネル平均埋め込みのアイデアを組み合わせて、再生されたカーネルヒルベルト空間における干渉分布を表現するフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-06-07T10:14:18Z)
• Generalization Bounds and Representation Learning for Estimation of Potential Outcomes and Causal Effects [61.03579766573421]
  代替薬に対する患者一人の反応など,個人レベルの因果効果の推定について検討した。 我々は,表現の誘導的処理群距離を正規化することにより,境界を最小化する表現学習アルゴリズムを考案した。 これらのアルゴリズムを拡張して、重み付き表現を同時に学習し、治療群距離をさらに削減する。
  論文  参考訳（メタデータ） (2020-01-21T10:16:33Z)

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。