論文の概要: Beyond the ATE: Interpretable Modelling of Treatment Effects over Dose and Time

• arxiv url: http://arxiv.org/abs/2507.07271v1
• Date: Wed, 09 Jul 2025 20:33:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-11 16:40:15.201093
• Title: Beyond the ATE: Interpretable Modelling of Treatment Effects over Dose and Time
• Title（参考訳）: ATEを超えて: 量と時間に対する治療効果の解釈可能なモデリング
• Authors: Julianna Piskorz, Krzysztof Kacprzyk, Mihaela van der Schaar,
• Abstract要約: 本研究では, 治療効果トラジェクトリを線量および時間とともに滑らかな表面としてモデル化する枠組みを提案する。 本研究は, 臨床的に有意な特性の特定から, 軌道形状の推定を分離する。 本手法は, 処理力学の精度, 解釈可能, 編集可能なモデルを生成する。
• 参考スコア（独自算出の注目度）: 50.522931466747934
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Average Treatment Effect (ATE) is a foundational metric in causal inference, widely used to assess intervention efficacy in randomized controlled trials (RCTs). However, in many applications -- particularly in healthcare -- this static summary fails to capture the nuanced dynamics of treatment effects that vary with both dose and time. We propose a framework for modelling treatment effect trajectories as smooth surfaces over dose and time, enabling the extraction of clinically actionable insights such as onset time, peak effect, and duration of benefit. To ensure interpretability, robustness, and verifiability -- key requirements in high-stakes domains -- we adapt SemanticODE, a recent framework for interpretable trajectory modelling, to the causal setting where treatment effects are never directly observed. Our approach decouples the estimation of trajectory shape from the specification of clinically relevant properties (e.g., maxima, inflection points), supporting domain-informed priors, post-hoc editing, and transparent analysis. We show that our method yields accurate, interpretable, and editable models of treatment dynamics, facilitating both rigorous causal analysis and practical decision-making.
• Abstract（参考訳）: 平均治療効果 (ATE) は因果推論の基礎的指標であり、ランダム化対照試験(RCT)における介入効果の評価に広く用いられている。 しかし、多くのアプリケーション、特に医療分野では、この静的な要約は、用量と時間の両方で異なる治療効果の微妙なダイナミクスを捉えることに失敗している。 本研究では, 治療効果トラジェクトリを線量および時間とともに滑らかな表面としてモデル化し, 発症時間, ピーク効果, 利益の持続時間などの臨床的に実行可能な知見の抽出を可能にする枠組みを提案する。 高い領域における重要な要件である、解釈可能性、堅牢性、検証可能性を保証するため、直近の解釈可能な軌道モデリングフレームワークであるSemanticODEを、治療効果が直接観察されない因果的環境に適用する。 提案手法は, 臨床的に関係のある特性(例えば, 最大, 屈折点)の特定, ドメインインフォームドプレファレンスのサポート, ポストホック編集, 透過的解析から, 軌道形状の推定を分離する。 本手法は, 厳密な因果解析と実践的意思決定の両立を容易にし, 精度, 解釈可能, 編集可能な処理力学モデルが得られることを示す。

関連論文リスト

• Learning Causally Predictable Outcomes from Psychiatric Longitudinal Data [6.09170287691728]
  縦断的生医学データの因果推論は依然として中心的な課題である。 本アルゴリズムは, 結果集約のための非負の, 臨床的に解釈可能な重みを学習する。 我々のアルゴリズムは因果関係の回復における最先端の手法より一貫して優れている。
  論文  参考訳（メタデータ） (2025-06-19T21:56:30Z)
• TV-SurvCaus: Dynamic Representation Balancing for Causal Survival Analysis [0.0]
  TV-SurvCausは、表現バランス技術を拡張した新しいフレームワークである。 我々は,(1)不均一効果推定における時間変化精度の一般化境界,(2)シーケンシャルバランスウェイトによる分散制御,(3)動的治療体制の整合性,(5)治療共同研究者のフィードバックによるバイアスの形式的境界などを通じて理論的保証を行う。
  論文  参考訳（メタデータ） (2025-05-03T11:04:52Z)
• Dynamic Regularized CBDT: Variance-Calibrated Causal Boosting for Interpretable Heterogeneous Treatment Effects [3.390322732093844]
  動的正則化因数ブースト決定木(CBDT)を提案する。 CBDTは、分散正則化と平均処理効果校正を勾配増進決定木の損失関数に統合する。 以上の結果から,CBDTは真の治療効果の信頼性を維持しつつ,推定精度を著しく向上させることが示された。
  論文  参考訳（メタデータ） (2025-04-18T15:02:06Z)
• Higher-Order Causal Message Passing for Experimentation with Complex Interference [6.092214762701847]
  本研究では、因果的メッセージパッシングに基づく新しい推定器のクラスを導入し、広範で未知な干渉のある設定に特化して設計する。 我々の推定器は、サンプルの平均値と時間とともに単位結果と処理のばらつきから情報を抽出し、観測データの効率的な利用を可能にする。
  論文  参考訳（メタデータ） (2024-11-01T18:00:51Z)
• 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)
• Benchmarking Heterogeneous Treatment Effect Models through the Lens of Interpretability [82.29775890542967]
  治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。 ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。 我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
  論文  参考訳（メタデータ） (2022-06-16T17:59:05Z)
• 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)
• On the role of surrogates in the efficient estimation of treatment effects with limited outcome data [43.17788100119767]
  一次利害関係にない結果のみを代理する単位にデータを組み込むことは、ATE推定の精度を高めることができる。 我々は,これらの効率向上を実現するために,ロバストなATE推定と推論手法を開発した。
  論文  参考訳（メタデータ） (2020-03-27T13:31:49Z)

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。