論文の概要: Considerations for Estimating Causal Effects of Informatively Timed Treatments

• arxiv url: http://arxiv.org/abs/2508.21804v1
• Date: Fri, 29 Aug 2025 17:32:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-01 19:45:11.136212
• Title: Considerations for Estimating Causal Effects of Informatively Timed Treatments
• Title（参考訳）: 経時的治療の因果性評価に関する考察
• Authors: Arman Oganisian,
• Abstract要約: 本稿では, g-methods を用いて情報処理の逐次的処理を解析する方法を示す。 合成例を用いて、これらの待ち時間に適応しないg-メソッドがどのようにバイアスを受けるかを説明する。 公開ソフトウェアを用いた実装ガイダンスと実例を提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Epidemiological studies are often concerned with estimating causal effects of a sequence of treatment decisions on survival outcomes. In many settings, treatment decisions do not occur at fixed, pre-specified followup times. Rather, timing varies across subjects in ways that may be informative of subsequent treatment decisions and potential outcomes. Awareness of the issue and its potential solutions is lacking in the literature, which motivate this work. Here, we formalize the issue of informative timing, problems associated with ignoring it, and show how g-methods can be used to analyze sequential treatments that are informatively timed. As we describe, in such settings, the waiting times between successive treatment decisions may be properly viewed as a time-varying confounders. Using synthetic examples, we illustrate how g-methods that do not adjust for these waiting times may be biased and how adjustment can be done in scenarios where patients may die or be censored in between treatments. We draw connections between adjustment and identification with discrete-time versus continuous-time models. Finally, we provide implementation guidance and examples using publicly available software. Our concluding message is that 1) considering timing is important for valid inference and 2) correcting for informative timing can be done with g-methods that adjust for waiting times between treatments as time-varying confounders.
• Abstract（参考訳）: 疫学研究はしばしば、治療の一連の決定が生存結果に与える影響を見積もることに関係している。 多くの設定において、治療決定は固定された特定のフォローアップ時間で行われない。 むしろ、タイミングは、その後の治療決定や潜在的な結果に影響を及ぼす可能性のある方法で、被験者によって異なる。 問題の認識とその潜在的な解決策は、この研究を動機づける文献に欠けている。 ここでは、情報的タイミングの問題、それを無視する問題について定式化し、情報的時間的処理のシーケンシャルな解析にg-methodsをどのように利用できるかを示す。 このような状況下では、連続する治療決定の間の待ち時間は、時間変化した共同創設者として適切に見なすことができる。 人工的な例を用いて、これらの待ち時間に適応しないg-methodがどのようにバイアスを受けるか、患者が死ぬか、治療間で検閲されるかのシナリオでどのように調整されるかを説明する。 我々は、離散時間モデルと連続時間モデルとの調整と識別の接続を描く。 最後に,公開ソフトウェアを用いた実装指導と実例について述べる。 私たちの結論は、そのことです。 1) 妥当な推測にタイミングを考慮することが重要であること 2) 情報的タイミングの補正は, 時間的異なる共同創設者として, 治療の待ち時間を調整するg-methodsを用いて行うことができる。

関連論文リスト

• Beyond the ATE: Interpretable Modelling of Treatment Effects over Dose and Time [46.2482873419289]
  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。
  論文  参考訳（メタデータ） (2025-07-09T20:33:33Z)
• Causal Inference with Complex Treatments: A Survey [34.653398789722104]
  因果推論は、統計学、マーケティング、医療、教育など様々な分野における説明分析と意思決定において重要な役割を果たしている。 本稿では,複雑な治療について言及し,それに対応する因果推論手法を体系的・包括的に検討する。
  論文  参考訳（メタデータ） (2024-07-19T04:46:58Z)
• Dynamic Local Average Treatment Effects [19.014535120129338]
  我々は,デジタルレコメンデーションと適応医療トライアルにおいて,片側非準拠の動的治療規則(DTR)を検討する。 局所的局所的平均処理効果(LATE)の非パラメトリック同定、推定、推定を行う。 この仮定は,複数の期間で動的LATEを識別するのに十分であることを示す。
  論文  参考訳（メタデータ） (2024-05-02T16:52:09Z)
• 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)
• 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)
• Continuous-Time Modeling of Counterfactual Outcomes Using Neural Controlled Differential Equations [84.42837346400151]
  反現実的な結果を予測することは、パーソナライズされたヘルスケアをアンロックする可能性がある。 既存の因果推論アプローチでは、観察と治療決定の間の通常の離散時間間隔が考慮されている。 そこで本研究では,腫瘍増殖モデルに基づく制御可能なシミュレーション環境を提案する。
  論文  参考訳（メタデータ） (2022-06-16T17:15:15Z)
• 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)
• Sequential Deconfounding for Causal Inference with Unobserved Confounders [18.586616164230566]
  個別化治療効果を時間とともに推定する手法であるSequential Deconfounderを開発した。 これは、一般的なシーケンシャルな設定で使用できる最初の分解方法である。 本手法は, 経時的に個々の治療反応を偏りなく推定できることを実証する。
  論文  参考訳（メタデータ） (2021-04-16T09:56:39Z)
• Estimating Counterfactual Treatment Outcomes over Time Through Adversarially Balanced Representations [114.16762407465427]
  時間とともに治療効果を推定するためにCRN(Counterfactual Recurrent Network)を導入する。 CRNは、患者履歴のバランスの取れた表現を構築するために、ドメイン敵のトレーニングを使用する。 本モデルでは, 正解率の予測と適切な治療時期の選択において, 誤差の低減を図っている。
  論文  参考訳（メタデータ） (2020-02-10T20:47:36Z)

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。