論文の概要: Deconfounded Warm-Start Thompson Sampling with Applications to Precision Medicine

• arxiv url: http://arxiv.org/abs/2505.17283v1
• Date: Thu, 22 May 2025 21:00:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-26 18:08:33.694069
• Title: Deconfounded Warm-Start Thompson Sampling with Applications to Precision Medicine
• Title（参考訳）: ワームスタートンプソンサンプリングの精度医学への応用
• Authors: Prateek Jaiswal, Esmaeil Keyvanshokooh, Junyu Cao,
• Abstract要約: 臨床検査における観察データに対するDWTS(Decon founded Warm-Start Thompson Smpling)を提案する。 DWTSは、統合された観察データを利用して適応的な臨床試験を開始する。 観察データからのオフライン因果的洞察が試行効率を向上し、よりパーソナライズされた治療決定をサポートするかを示す。
• 参考スコア（独自算出の注目度）: 2.683177306274586
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Randomized clinical trials often require large patient cohorts before drawing definitive conclusions, yet abundant observational data from parallel studies remains underutilized due to confounding and hidden biases. To bridge this gap, we propose Deconfounded Warm-Start Thompson Sampling (DWTS), a practical approach that leverages a Doubly Debiased LASSO (DDL) procedure to identify a sparse set of reliable measured covariates and combines them with key hidden covariates to form a reduced context. By initializing Thompson Sampling (LinTS) priors with DDL-estimated means and variances on these measured features -- while keeping uninformative priors on hidden features -- DWTS effectively harnesses confounded observational data to kick-start adaptive clinical trials. Evaluated on both a purely synthetic environment and a virtual environment created using real cardiovascular risk dataset, DWTS consistently achieves lower cumulative regret than standard LinTS, showing how offline causal insights from observational data can improve trial efficiency and support more personalized treatment decisions.
• Abstract（参考訳）: ランダム化臨床試験では、結論を導き出す前に大きな患者コホートを必要とすることが多いが、並列研究からの豊富な観測データは、欠点と隠れバイアスのために未利用のままである。 このギャップを埋めるために,DWTS (Decon founded Warm-Start Thompson Sampling) を提案する。これはDouubly Debiased LASSO (DDL) 法を利用して,信頼度の高い共変数のスパース集合を同定し,それらと鍵隠れ共変数を結合して最小の文脈を形成する。 トンプソンサンプリング(LinTS)をDDL推定手段と、これらの測定された特徴のばらつきで初期化すると同時に、隠れた特徴の非形式的な事前を維持することで、DWTSは、確立した観察データを効果的に活用し、適応的な臨床試験を開始する。 DWTSは、純粋に合成された環境と、実際の心血管リスクデータセットを使用して作成した仮想環境の両方に基づいて、標準のLinTSよりも低い累積的後悔を一貫して達成し、観察データからのオフライン因果的洞察が臨床試験効率を向上し、よりパーソナライズされた治療決定をサポートするかを示す。

関連論文リスト

• A Partial Initialization Strategy to Mitigate the Overfitting Problem in CATE Estimation with Hidden Confounding [44.874826691991565]
  観察データから条件平均治療効果(CATE)を推定することは、電子商取引、医療、経済などの分野において重要な役割を果たす。 既存の研究は主に、隠れた共同設立者がいないという強い無知の仮定に依存している。 ランダム化制御試験 (RCT) から収集されたデータは、共起に苦しむことはないが、通常は小さなサンプルサイズによって制限される。
  論文  参考訳（メタデータ） (2025-01-15T15:58:16Z)
• Progressive Generalization Risk Reduction for Data-Efficient Causal Effect Estimation [30.49865329385806]
  因果効果推定(英: Causal effect Estimation、CEE)は、エンティティの観測されていない反事実結果を予測する重要なツールである。 本稿では,ラベル付きデータサンプルが最初から不足している,より現実的なCEE設定について検討する。 バッチワイズラベル取得のためのモデルアグノスティック因果アクティブラーニング(MACAL)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-11-18T03:17:40Z)
• Variational Temporal Deconfounder for Individualized Treatment Effect Estimation from Longitudinal Observational Data [8.347630187110004]
  経年的観察データから治療効果を推定するための既存のアプローチは、通常「不整合性」という強い仮定に基づいて構築される。 本稿では, プロキシを用いた縦方向設定における深部変分埋め込みを応用した変分時間デコノミー(VTD)を提案する。 我々は,本手法を人工的および実世界の臨床データの両方で検証し,本手法が他の既存モデルと比較して有意な偏りを隠蔽する場合に有効であることを示した。
  論文  参考訳（メタデータ） (2022-07-23T16:43:12Z)
• Partial Identification of Dose Responses with Hidden Confounders [25.468473751289036]
  観測データから連続的に評価された治療の因果効果を推定することが重要な課題である。 本稿では, 平均および条件付き平均連続値処理効果推定値の両方を束縛する新しい手法を提案する。 本手法を実世界の観測ケーススタディに適用し,線量依存因果効果の同定の価値を実証する。
  論文  参考訳（メタデータ） (2022-04-24T07:02:21Z)
• Longitudinal modeling of MS patient trajectories improves predictions of disability progression [2.117653457384462]
  本研究は, 実世界の患者データから情報を最適に抽出する作業に対処する。 本研究では,患者軌跡モデリングに適した機械学習手法を用いることで,患者の障害進行を2年間の地平線で予測できることを示す。 文献で利用可能なモデルと比較して、この研究はMS病の進行予測に最も完全な患者履歴を使用する。
  論文  参考訳（メタデータ） (2020-11-09T20:48:00Z)
• DeepRite: Deep Recurrent Inverse TreatmEnt Weighting for Adjusting Time-varying Confounding in Modern Longitudinal Observational Data [68.29870617697532]
  時系列データにおける時間変化の相違に対するDeep Recurrent Inverse TreatmEnt重み付け(DeepRite)を提案する。 DeepRiteは、合成データから基底的真理を復元し、実際のデータから偏りのない処理効果を推定する。
  論文  参考訳（メタデータ） (2020-10-28T15:05:08Z)
• MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
  本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。 我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。 我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
  論文  参考訳（メタデータ） (2020-10-08T15:30:17Z)
• Estimating Individual Treatment Effects with Time-Varying Confounders [9.784193264717098]
  医療において、観察データから個別治療効果(ITE)を推定することは意義があり実用的である。 既存の作業は主に、隠れた共同設立者が存在しないという強い無知の仮定に依存している。 時系列重み付け (DSW) を用いて, ITE の時間変化を推定する手法を提案する。
  論文  参考訳（メタデータ） (2020-08-27T02:21:56Z)
• CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
  新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。 我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-20T21:47:28Z)
• Provably Efficient Causal Reinforcement Learning with Confounded Observational Data [135.64775986546505]
  オフラインで収集されたデータセット(観測データ)を組み込んで、オンライン環境でのサンプル効率を改善する方法について検討する。 提案手法は,観測データを効率よく組み込んだ,分解された楽観的値反復 (DOVI) アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-22T14:49:33Z)
• DTR Bandit: Learning to Make Response-Adaptive Decisions With Low Regret [59.81290762273153]
  動的治療体制 (DTR) はパーソナライズされ適応された多段階の治療計画であり、治療決定を個人の初期特徴に適応させ、その後の各段階における中間結果と特徴に適応させる。 本稿では,探索と搾取を慎重にバランスさせることで,遷移モデルと報酬モデルが線形である場合に,速度-最適後悔を実現する新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-05-06T13:03:42Z)

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。