論文の概要: Causal Machine Learning for Surgical Interventions

• arxiv url: http://arxiv.org/abs/2509.19705v1
• Date: Wed, 24 Sep 2025 02:31:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-25 20:53:19.667785
• Title: Causal Machine Learning for Surgical Interventions
• Title（参考訳）: 外科的介入のための因果機械学習
• Authors: J. Ben Tamo, Nishant S. Chouhan, Micky C. Nnamdi, Yining Yuan, Shreya S. Chivilkar, Wenqi Shi, Steven W. Hwang, B. Randall Brenn, May D. Wang,
• Abstract要約: 外科的意思決定は複雑で、患者の特徴、介入、結果の間の因果関係を理解する必要がある。 本研究では,ITE推定のためのマルチタスクメタ学習フレームワークであるX-MultiTaskを開発した。 X-MultiTaskは、患者固有の因果推定を提供することによって、パーソナライズされた外科的ケアを推進し、患者の成果を改善する強力なツールを提供する。
• 参考スコア（独自算出の注目度）: 3.701687265960785
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Surgical decision-making is complex and requires understanding causal relationships between patient characteristics, interventions, and outcomes. In high-stakes settings like spinal fusion or scoliosis correction, accurate estimation of individualized treatment effects (ITEs) remains limited due to the reliance on traditional statistical methods that struggle with complex, heterogeneous data. In this study, we develop a multi-task meta-learning framework, X-MultiTask, for ITE estimation that models each surgical decision (e.g., anterior vs. posterior approach, surgery vs. no surgery) as a distinct task while learning shared representations across tasks. To strengthen causal validity, we incorporate the inverse probability weighting (IPW) into the training objective. We evaluate our approach on two datasets: (1) a public spinal fusion dataset (1,017 patients) to assess the effect of anterior vs. posterior approaches on complication severity; and (2) a private AIS dataset (368 patients) to analyze the impact of posterior spinal fusion (PSF) vs. non-surgical management on patient-reported outcomes (PROs). Our model achieves the highest average AUC (0.84) in the anterior group and maintains competitive performance in the posterior group (0.77). It outperforms baselines in treatment effect estimation with the lowest overall $\epsilon_{\text{NN-PEHE}}$ (0.2778) and $\epsilon_{\text{ATE}}$ (0.0763). Similarly, when predicting PROs in AIS, X-MultiTask consistently shows superior performance across all domains, with $\epsilon_{\text{NN-PEHE}}$ = 0.2551 and $\epsilon_{\text{ATE}}$ = 0.0902. By providing robust, patient-specific causal estimates, X-MultiTask offers a powerful tool to advance personalized surgical care and improve patient outcomes. The code is available at https://github.com/Wizaaard/X-MultiTask.
• Abstract（参考訳）: 外科的意思決定は複雑で、患者の特徴、介入、結果の間の因果関係を理解する必要がある。 脊椎融合や側頭症矯正のような高度な状況では、複雑で不均一なデータに苦しむ従来の統計手法に依存するため、個別化治療効果(ITEs)の正確な推定は依然として限られている。 本研究では,多タスクメタラーニングフレームワークであるX-MultiTaskを開発し,タスク間の共有表現を学習しながら,各手術決定(例えば,前方アプローチと後方アプローチ,手術と無手術)を個別のタスクとしてモデル化する。 因果妥当性を高めるために,逆確率重み付け(IPW)をトレーニング対象に組み込む。 本研究は,1)合併症重症度に対する後方アプローチと後方アプローチの効果を評価するための公的脊椎融合データセット(1,017例),2)後部脊椎融合(PSF)と非手術管理(PRO)の影響を分析するためのプライベートAISデータセット(368例)の2つのデータセットについて検討した。 前群では平均AUC (0.84) を達成し, 後群 (0.77) では競争性能を維持した。 処理効果推定のベースラインを最低値$\epsilon_{\text{NN-PEHE}}$ (0.2778) と$\epsilon_{\text{ATE}}$ (0.0763) で上回ります。 同様に、AIS で PRO を予測する場合、X-MultiTask はすべてのドメインで常に優れたパフォーマンスを示し、$\epsilon_{\text{NN-PEHE}}$ = 0.2551 と $\epsilon_{\text{ATE}}$ = 0.0902 である。 X-MultiTaskは、患者固有の因果推定を提供することによって、パーソナライズされた外科的ケアを推進し、患者の成果を改善する強力なツールを提供する。 コードはhttps://github.com/Wizaaard/X-MultiTaskで入手できる。

関連論文リスト

• Predicting Length of Stay in Neurological ICU Patients Using Classical Machine Learning and Neural Network Models: A Benchmark Study on MIMIC-IV [49.1574468325115]
  本研究は、MIMIC-IVデータセットに基づく神経疾患患者を対象とした、ICUにおけるLOS予測のための複数のMLアプローチについて検討する。 評価されたモデルには、古典的MLアルゴリズム(K-Nearest Neighbors、Random Forest、XGBoost、CatBoost)とニューラルネットワーク(LSTM、BERT、テンポラルフュージョントランス)が含まれる。
  論文  参考訳（メタデータ） (2025-05-23T14:06:42Z)
• MIL vs. Aggregation: Evaluating Patient-Level Survival Prediction Strategies Using Graph-Based Learning [52.231128973251124]
  我々は,WSIおよび患者レベルでの生存を予測するための様々な戦略を比較した。 前者はそれぞれのWSIを独立したサンプルとして扱い、他の作業で採用された戦略を模倣します。 後者は、複数のWSIの予測を集約するか、最も関連性の高いスライドを自動的に識別するメソッドを含む。
  論文  参考訳（メタデータ） (2025-03-29T11:14:02Z)
• Gaussian Random Fields as an Abstract Representation of Patient Metadata for Multimodal Medical Image Segmentation [6.531186135660947]
  慢性的な傷は、患者にとって壊滅的な結果をもたらす可能性がある。 このような傷の発見とモニタリングのための深層学習法は、患者と臨床医の両方への影響を減らす可能性がある。 本稿では、患者メタデータをトレーニングワークフローに導入できる新しいマルチモーダルセグメンテーション手法を提案する。
  論文  参考訳（メタデータ） (2025-03-07T08:09:59Z)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• Fusion of Diffusion Weighted MRI and Clinical Data for Predicting Functional Outcome after Acute Ischemic Stroke with Deep Contrastive Learning [1.4149937986822438]
  ストロークは、25歳以上の成人の約4分の1に影響する一般的な神経疾患である。 AUCでは0.87,0.80,80.45%,F1スコアでは80.45%,精度では0。
  論文  参考訳（メタデータ） (2024-02-16T18:51:42Z)
• DDxT: Deep Generative Transformer Models for Differential Diagnosis [51.25660111437394]
  より単純な教師付き学習信号と自己教師付き学習信号で訓練した生成的アプローチが,現在のベンチマークにおいて優れた結果が得られることを示す。 The proposed Transformer-based generative network, named DDxT, autoregressive produce a set of possible pathology,, i. DDx, and predicts the real pathology using a neural network。
  論文  参考訳（メタデータ） (2023-12-02T22:57:25Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• TMSS: An End-to-End Transformer-based Multimodal Network for Segmentation and Survival Prediction [0.0]
  腫瘍学者は、分析においてこれを行うのではなく、医療画像や患者の歴史などの複数のソースから、脳内の情報を融合させる。 本研究は,がんの定量化と患者の生存率推定において,腫瘍学者の分析行動を模倣する深層学習手法を提案する。
  論文  参考訳（メタデータ） (2022-09-12T06:22:05Z)
• Multi-task fusion for improving mammography screening data classification [3.7683182861690843]
  まず、個別のタスク固有のモデルのセットをトレーニングするパイプラインアプローチを提案する。 次に、標準モデルの集合戦略とは対照的に、その融合について検討する。 我々の融合アプローチは、標準モデルのアンサンブルに比べてAUCのスコアを最大0.04向上させる。
  論文  参考訳（メタデータ） (2021-12-01T13:56:27Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)

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。