論文の概要: Learning Treatment Allocations with Risk Control Under Partial Identifiability

• arxiv url: http://arxiv.org/abs/2505.08378v1
• Date: Tue, 13 May 2025 09:22:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-14 20:57:54.503428
• Title: Learning Treatment Allocations with Risk Control Under Partial Identifiability
• Title（参考訳）: 部分的識別可能性を考慮したリスク制御による治療方法の学習
• Authors: Sofia Ek, Dave Zachariah,
• Abstract要約: 患者に対する適切な治療アロケーションの学習は、精密医療において重要な課題である。 そこで本研究では,部分的特定環境での有限サンプルによる治療リスクを制御するための認証学習手法を提案する。
• 参考スコア（独自算出の注目度）: 6.875312133832077
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning beneficial treatment allocations for a patient population is an important problem in precision medicine. Many treatments come with adverse side effects that are not commensurable with their potential benefits. Patients who do not receive benefits after such treatments are thereby subjected to unnecessary harm. This is a `treatment risk' that we aim to control when learning beneficial allocations. The constrained learning problem is challenged by the fact that the treatment risk is not in general identifiable using either randomized trial or observational data. We propose a certifiable learning method that controls the treatment risk with finite samples in the partially identified setting. The method is illustrated using both simulated and real data.
• Abstract（参考訳）: 患者に対する適切な治療アロケーションの学習は、精密医療において重要な課題である。 多くの治療法は、その潜在的な利益と相容れない副作用が伴う。 このような治療後に便益を受けない患者は不必要な危害を受ける。 これは、有益なアロケーションを学習する際に制御することを目的とした「処理リスク」です。 この制約付き学習問題は、ランダム化試行データまたは観察データを用いて、治療リスクが一般に識別できないという事実によって問題視される。 そこで本研究では,部分的特定環境での有限サンプルによる治療リスクを制御するための認証学習手法を提案する。 この手法はシミュレーションデータと実データの両方を用いて説明される。

関連論文リスト

• Quantifying Aleatoric Uncertainty of the Treatment Effect: A Novel Orthogonal Learner [72.20769640318969]
  医療の安全性と有効性を理解するためには,観測データから因果量の推定が重要である。 医療従事者は、平均因果量の推定だけでなく、治療効果のランダム性をランダムな変数として理解する必要がある。 このランダム性はアレタリック不確実性と呼ばれ、治療効果の利益や量子化の確率を理解するために必要である。
  論文  参考訳（メタデータ） (2024-11-05T18:14:49Z)
• The Blessings of Multiple Treatments and Outcomes in Treatment Effect Estimation [53.81860494566915]
  既存の研究では、プロキシ変数や複数の処理を利用してバイアスを補正している。 多くの実世界のシナリオでは、複数の結果に対する影響を研究することにより大きな関心がある。 この設定に関わる複数の結果の並列研究は、因果同定において互いに助け合うことが示されている。
  論文  参考訳（メタデータ） (2023-09-29T14:33:48Z)
• To Impute or not to Impute? -- Missing Data in Treatment Effect Estimation [84.76186111434818]
  我々は,MCM(Mixed Con founded missingness)と呼ばれる新しい欠損機構を同定し,ある欠損度が治療選択を判断し,他の欠損度が治療選択によって決定されることを示した。 本研究は,全てのデータを因果的に入力すると,不偏推定を行うために必要な情報を効果的に除去するので,処理効果のモデルが貧弱になることを示す。 私たちのソリューションは選択的計算であり、CMMからの洞察を使って、どの変数をインプットすべきで、どの変数をインプットすべきでないかを正確に知らせる。
  論文  参考訳（メタデータ） (2022-02-04T12:08:31Z)
• 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)
• BITES: Balanced Individual Treatment Effect for Survival data [0.0]
  患者予後に対する介入の効果を推定することは、パーソナライズされた医療の重要な側面の1つである。 時間から時間までのデータは、治療最適化にはほとんど使われない。 我々は、治療特異的な半パラメトリックコックス損失と治療バランスの深いディープニューラルネットワークを組み合わせたBITESというアプローチを提案する。
  論文  参考訳（メタデータ） (2022-01-05T10:39:31Z)
• 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)
• Offline reinforcement learning with uncertainty for treatment strategies in sepsis [0.0]
  本稿では,データから敗血症治療に最適な推奨事項を抽出する強化学習の新たな応用法を提案する。 提案手法は1つのレコメンデーションではなく,いくつかの治療法を提示できる。 我々は,学習方針を検証し,死亡率と治療水準の相違により,強化学習が積極的な介入に偏っていることを明らかにする。
  論文  参考訳（メタデータ） (2021-07-09T15:29:05Z)

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。