論文の概要: A Diffusion-Based Method for Learning the Multi-Outcome Distribution of Medical Treatments

• arxiv url: http://arxiv.org/abs/2506.01533v1
• Date: Mon, 02 Jun 2025 10:49:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-04 21:47:34.274199
• Title: A Diffusion-Based Method for Learning the Multi-Outcome Distribution of Medical Treatments
• Title（参考訳）: 医療の多出力分布学習のための拡散法
• Authors: Yuchen Ma, Jonas Schweisthal, Hengrui Zhang, Stefan Feuerriegel,
• Abstract要約: 医学では、治療は複数の相互依存的な結果に影響を及ぼすことが多い。 治療効果を予測する機械学習手法のほとんどは、単一アウトカム設定に重点を置いている。 複数の結果の連成分布を学習するための拡散法DIMEを提案する。
• 参考スコア（独自算出の注目度）: 25.154328229802985
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In medicine, treatments often influence multiple, interdependent outcomes, such as primary endpoints, complications, adverse events, or other secondary endpoints. Hence, to make optimal treatment decisions, clinicians are interested in learning the distribution of multi-dimensional treatment outcomes. However, the vast majority of machine learning methods for predicting treatment effects focus on single-outcome settings, despite the fact that medical data often include multiple, interdependent outcomes. To address this limitation, we propose a novel diffusion-based method called DIME to learn the joint distribution of multiple outcomes of medical treatments. We addresses three challenges relevant in medical practice: (i)it is tailored to learn the joint interventional distribution of multiple medical outcomes, which enables reliable decision-making with uncertainty quantification rather than relying solely on point estimates; (ii)it explicitly captures the dependence structure between outcomes; (iii)it can handle outcomes of mixed type, including binary, categorical, and continuous variables. In DIME, we take into account the fundamental problem of causal inference through causal masking. For training, our method decomposes the joint distribution into a series of conditional distributions with a customized conditional masking to account for the dependence structure across outcomes. For inference, our method auto-regressively generates predictions. This allows our method to move beyond point estimates of causal quantities and thus learn the joint interventional distribution. To the best of our knowledge, DIME is the first neural method tailored to learn the joint, multi-outcome distribution of medical treatments. Across various experiments, we demonstrate that our method effectively learns the joint distribution and captures shared information among multiple outcomes.
• Abstract（参考訳）: 医学では、治療は一次終端、合併症、有害事象、その他の二次終端などの複数の相互依存的な結果に影響を与えることが多い。 したがって、最適な治療決定を行うために、臨床医は多次元治療結果の分布を学ぶことに興味を持っている。 しかし、治療効果を予測する機械学習手法の大半は、医療データが複数の相互依存的な結果を含むことが多いにもかかわらず、単一アウトカム設定に重点を置いている。 この限界に対処するために,DIMEと呼ばれる新しい拡散法を提案する。 医療実践に関わる3つの課題に対処する。 一 点推定のみに頼るのではなく、不確実な定量化による信頼性の高い意思決定を可能にする複数の医療成果の連関的分配を学べるように調整すること。 (ii)結果間の依存構造を明示的に捉えます。 (iii)バイナリ、カテゴリ、連続変数を含む混合型の結果を処理することができる。 DIMEでは、因果的マスキングによる因果的推論の根本的な問題を考慮している。 トレーニングでは, 条件付きマスキングを施した一連の条件分布に分割し, 結果間の依存構造を考慮した。 推測のために,本手法は予測を自動回帰的に生成する。 これにより,本手法は因果量の点推定を超えて,共同介入分布を学習することができる。 我々の知る限りでは、DIMEは医療のジョイント、マルチアウトカムの分布を学習するための最初のニューラルネットワークである。 様々な実験において,本手法は関節分布を効果的に学習し,複数の結果の共有情報をキャプチャすることを示した。

関連論文リスト

• XAI for In-hospital Mortality Prediction via Multimodal ICU Data [57.73357047856416]
  マルチモーダルICUデータを用いて病院内死亡率を予測するための,効率的で説明可能なAIソリューションを提案する。 我々は,臨床データから異種入力を受信し,意思決定を行うマルチモーダル・ラーニングを我々のフレームワークに導入する。 我々の枠組みは、医療研究において重要な要素の発見を容易にする他の臨床課題に容易に移行することができる。
  論文  参考訳（メタデータ） (2023-12-29T14:28:04Z)
• 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)
• Reliable Off-Policy Learning for Dosage Combinations [27.385663284378854]
  パーソナライズド医療における意思決定は、しばしば服薬の組み合わせを選択する必要がある。 ドセージ・コンビネーションのための信頼性の高いオフ・ポリティクス学習手法を提案する。
  論文  参考訳（メタデータ） (2023-05-31T11:08:43Z)
• TCFimt: Temporal Counterfactual Forecasting from Individual Multiple Treatment Perspective [50.675845725806724]
  個別多面的治療の観点からの時間的対実予測の包括的枠組み(TCFimt)を提案する。 TCFimtは、選択と時間変化バイアスを軽減するためにSeq2seqフレームワークの逆タスクを構築し、比較学習ベースのブロックを設計し、混合処理効果を分離した主治療効果と因果相互作用に分解する。 提案手法は, 特定の治療法による今後の結果予測と, 最先端手法よりも最適な治療タイプとタイミングを選択する上で, 良好な性能を示す。
  論文  参考訳（メタデータ） (2022-12-17T15:01:05Z)
• 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。