論文の概要: LLM-Driven Treatment Effect Estimation Under Inference Time Text Confounding

• arxiv url: http://arxiv.org/abs/2507.02843v1
• Date: Thu, 03 Jul 2025 17:52:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-04 15:37:16.787232
• Title: LLM-Driven Treatment Effect Estimation Under Inference Time Text Confounding
• Title（参考訳）: 推測時間によるLLM処理効果の推定
• Authors: Yuchen Ma, Dennis Frauen, Jonas Schweisthal, Stefan Feuerriegel,
• Abstract要約: トレーニング時間と推測時間の間に得られるデータとの相違が治療効果のバイアスのある推定に繋がることを示した。 本稿では,推測時間テキストの共起を明示的に考慮した治療効果を推定するための新しいフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 23.968657851616086
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Estimating treatment effects is crucial for personalized decision-making in medicine, but this task faces unique challenges in clinical practice. At training time, models for estimating treatment effects are typically trained on well-structured medical datasets that contain detailed patient information. However, at inference time, predictions are often made using textual descriptions (e.g., descriptions with self-reported symptoms), which are incomplete representations of the original patient information. In this work, we make three contributions. (1) We show that the discrepancy between the data available during training time and inference time can lead to biased estimates of treatment effects. We formalize this issue as an inference time text confounding problem, where confounders are fully observed during training time but only partially available through text at inference time. (2) To address this problem, we propose a novel framework for estimating treatment effects that explicitly accounts for inference time text confounding. Our framework leverages large language models together with a custom doubly robust learner to mitigate biases caused by the inference time text confounding. (3) Through a series of experiments, we demonstrate the effectiveness of our framework in real-world applications.
• Abstract（参考訳）: 医療におけるパーソナライズされた意思決定には,治療効果の推定が重要であるが,この課題は臨床実践においてユニークな課題に直面している。 トレーニング時には、治療効果を推定するためのモデルは、患者の詳細な情報を含む、よく構造化された医療データセットに基づいて訓練される。 しかし、推測時には、元の患者情報の不完全な表現であるテキスト記述(例えば、自己申告された症状を含む記述)を用いて予測を行うことが多い。 この作業では、3つのコントリビューションを行います。 1) トレーニング期間中のデータと推定時間との差が治療効果の偏りを生じさせることを示した。 我々は、この問題を推論時間テキスト共起問題として定式化し、そこでは、共同創設者はトレーニング時間中に完全に観察されるが、推論時間時にテキストを通してのみ利用することができる。 2)この問題に対処するために,推測時間テキストの共起を明示的に考慮した治療効果を推定するための新しいフレームワークを提案する。 提案フレームワークは,大規模言語モデルと2重に頑健な学習者を用いて,推論時間テキストの共起によるバイアスを軽減する。 (3) 実世界のアプリケーションにおけるフレームワークの有効性を実証する。

関連論文リスト

• A Perspective on Individualized Treatment Effects Estimation from Time-series Health Data [2.9404725327650767]
  この研究は、論文における最新の研究を要約し、理論的な仮定、治療のタイプ、計算フレームワークを考慮してそれをレビューする。 この研究が新たな方向性を開き、エキサイティングで未研究の分野の1つを理解するためのリソースとして機能することを願っています。
  論文  参考訳（メタデータ） (2024-02-07T08:53:46Z)
• Clairvoyance: A Pipeline Toolkit for Medical Time Series [95.22483029602921]
  時系列学習は、データ駆動の*クリニカルな意思決定支援のパンとバターである* Clairvoyanceは、ソフトウェアツールキットとして機能する、統合されたエンドツーエンドのオートMLフレンドリなパイプラインを提案する。 Clairvoyanceは、臨床時系列MLのための包括的で自動化可能なパイプラインの生存可能性を示す最初のものである。
  論文  参考訳（メタデータ） (2023-10-28T12:08:03Z)
• Accounting For Informative Sampling When Learning to Forecast Treatment Outcomes Over Time [66.08455276899578]
  適切な基準を満たさない場合,情報サンプリングは治療結果の正確な推定を禁止できることが示唆された。 逆強度重み付けを用いた情報サンプリングの存在下での処理結果を学習するための一般的な枠組みを提案する。 本稿では,ニューラルCDEを用いてこのフレームワークをインスタンス化する新しい手法であるTESAR-CDEを提案する。
  論文  参考訳（メタデータ） (2023-06-07T08:51:06Z)
• Disentangled Counterfactual Recurrent Networks for Treatment Effect Inference over Time [71.30985926640659]
  本稿では,DCRN(Disentangled Counterfactual Recurrent Network)を提案する。 時間とともに治療効果の因果構造に完全にインスパイアされたアーキテクチャでは、予測精度と疾患理解が向上する。 実データとシミュレーションデータの両方において,DCRNが処理応答予測の最先端手法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-12-07T16:40:28Z)
• 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)
• 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。