論文の概要: A Cautionary Tale on Integrating Studies with Disparate Outcome Measures for Causal Inference

• arxiv url: http://arxiv.org/abs/2505.11014v1
• Date: Fri, 16 May 2025 09:08:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-19 14:36:14.383753
• Title: A Cautionary Tale on Integrating Studies with Disparate Outcome Measures for Causal Inference
• Title（参考訳）: 因果推論のための異なるアウトカム対策による研究の統合に関する注意書き
• Authors: Harsh Parikh, Trang Quynh Nguyen, Elizabeth A. Stuart, Kara E. Rudolph, Caleb H. Miles,
• Abstract要約: 本稿では,異なる結果尺度と研究を統合することで効率が向上するかどうかを考察する。 両指標をリンクする3つの仮定(強度の程度が異なる)を導入する。 本研究は,異なる結果のデータセットを融合させる際に,適切な仮定選択の必要性を強調した。
• 参考スコア（独自算出の注目度）: 5.330251011543498
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Data integration approaches are increasingly used to enhance the efficiency and generalizability of studies. However, a key limitation of these methods is the assumption that outcome measures are identical across datasets -- an assumption that often does not hold in practice. Consider the following opioid use disorder (OUD) studies: the XBOT trial and the POAT study, both evaluating the effect of medications for OUD on withdrawal symptom severity (not the primary outcome of either trial). While XBOT measures withdrawal severity using the subjective opiate withdrawal scale, POAT uses the clinical opiate withdrawal scale. We analyze this realistic yet challenging setting where outcome measures differ across studies and where neither study records both types of outcomes. Our paper studies whether and when integrating studies with disparate outcome measures leads to efficiency gains. We introduce three sets of assumptions -- with varying degrees of strength -- linking both outcome measures. Our theoretical and empirical results highlight a cautionary tale: integration can improve asymptotic efficiency only under the strongest assumption linking the outcomes. However, misspecification of this assumption leads to bias. In contrast, a milder assumption may yield finite-sample efficiency gains, yet these benefits diminish as sample size increases. We illustrate these trade-offs via a case study integrating the XBOT and POAT datasets to estimate the comparative effect of two medications for opioid use disorder on withdrawal symptoms. By systematically varying the assumptions linking the SOW and COW scales, we show potential efficiency gains and the risks of bias. Our findings emphasize the need for careful assumption selection when fusing datasets with differing outcome measures, offering guidance for researchers navigating this common challenge in modern data integration.
• Abstract（参考訳）: データ統合アプローチは、研究の効率性と一般化性を高めるためにますます使われています。 しかし、これらの方法の主な限界は、データセット間で結果測度が同一である、という仮定が、しばしば実施されない仮定である。以下のオピオイド使用障害(OUD)研究:XBOTトライアルとPOATスタディの両方において、OUDの薬剤が離脱症状の重症度(いずれの治験も第一の結果ではない)に与える影響を評価する。XBOT測定では、主観的なオピオイト離脱尺度を用いて重症度を下げるが、POATは臨床オピオイト離脱尺度を用いて、結果測度が研究によって異なる状況、どちらの研究結果も異なる状況で、どちらの研究結果と研究を統合しても効率が向上するかどうかを調査する。 統合は、結果をリンクする最も強い仮定の下でのみ、漸近的効率を改善することができる。 しかし、この仮定の誤特定は偏見につながる。 対照的に、より穏やかな仮定は有限サンプル効率の向上をもたらすかもしれないが、サンプルサイズが増加するにつれてこれらの利点は減少する。 XBOTデータセットとPOATデータセットを統合したケーススタディにより,オピオイド乱用障害に対する2つの薬剤の離脱症状に対する効果を推定した。 SOW尺度とCOW尺度をリンクする仮定を体系的に変化させることで、潜在的な効率向上とバイアスのリスクを示す。 本研究は,現代のデータ統合におけるこの共通の課題をナビゲートする研究者のためのガイダンスとして,異なる結果尺度でデータセットを融合する場合に,慎重に仮定の選択を行うことの必要性を強調した。

関連論文リスト

• Statistical Learning for Heterogeneous Treatment Effects: Pretraining, Prognosis, and Prediction [40.96453902709292]
  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。
  論文  参考訳（メタデータ） (2025-05-01T05:12:14Z)
• Estimating Heterogeneous Treatment Effects on Survival Outcomes Using Counterfactual Censoring Unbiased Transformations [1.9785304593748243]
  観測データからヘテロジニアス処理効果 (HTE) を推定する方法は, 連続的あるいは2次的な結果に大きく焦点が当てられている。 我々は、競合するリスクを伴わずに生存結果の検閲未バイアス変換(CUT)を開発する。
  論文  参考訳（メタデータ） (2024-01-20T16:17:06Z)
• 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)
• 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)
• 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)
• 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)
• Learning for Dose Allocation in Adaptive Clinical Trials with Safety Constraints [84.09488581365484]
  新しい化合物の有効性と毒性の関係がより複雑になるにつれて、第1相線量測定試験はますます困難になっている。 最も一般的に使われている方法は、毒性事象のみから学習することで、最大許容量(MTD)を特定することである。 本稿では, 毒性安全性の制約を高い確率で満たしつつ, 累積効果を最大化することを目的とした, 適応型臨床試験手法を提案する。
  論文  参考訳（メタデータ） (2020-06-09T03:06:45Z)
• Overly Optimistic Prediction Results on Imbalanced Data: a Case Study of Flaws and Benefits when Applying Over-sampling [13.463035357173045]
  データを相互に排他的なトレーニングとテストセットに分割する前にオーバーサンプリングを適用する。 この結果が,2つの人工データセットを用いて偏りを生じさせ,この欠陥が同定された研究結果を再現することを示す。
  論文  参考訳（メタデータ） (2020-01-15T12:53:23Z)

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。