論文の概要: The BEAT-CF Causal Model: A model for guiding the design of trials and observational analyses of cystic fibrosis exacerbations

• arxiv url: http://arxiv.org/abs/2512.03110v1
• Date: Tue, 02 Dec 2025 07:46:42 GMT
• ステータス: 情報取得中
• システム内更新日: 2025-12-04 12:10:40.825557
• Title: The BEAT-CF Causal Model: A model for guiding the design of trials and observational analyses of cystic fibrosis exacerbations
• Title（参考訳）: BEAT-CF因果モデル:嚢胞性線維症増悪の試行と観察的解析を導くためのモデル
• Authors: Steven Mascaro, Owen Woodberry, Charlie McLeod, Mitch Messer, Hiran Selvadurai, Yue Wu, Andre Schultz, Thomas L Snelling,
• Abstract要約: 嚢胞性線維症(CF)における肺機能低下は,急性肺増悪(PEx)により徐々に進行する PEx管理に対する最適アプローチについては合意が得られていない。 BEAT-CFは、CFマネジメントのためのエビデンスインフォームドナレッジベースを構築するために設立された。
• 参考スコア（独自算出の注目度）: 3.9166673024059526
• License:
• Abstract: Loss of lung function in cystic fibrosis (CF) occurs progressively, punctuated by acute pulmonary exacerbations (PEx) in which abrupt declines in lung function are not fully recovered. A key component of CF management over the past half century has been the treatment of PEx to slow lung function decline. This has been credited with improvements in survival for people with CF (PwCF), but there is no consensus on the optimal approach to PEx management. BEAT-CF (Bayesian evidence-adaptive treatment of CF) was established to build an evidence-informed knowledge base for CF management. The BEAT-CF causal model is a directed acyclic graph (DAG) and Bayesian network (BN) for PEx that aims to inform the design and analysis of clinical trials comparing the effectiveness of alternative approaches to PEx management. The causal model describes relationships between background risk factors, treatments, and pathogen colonisation of the airways that affect the outcome of an individual PEx episode. The key factors, outcomes, and causal relationships were elicited from CF clinical experts and together represent current expert understanding of the pathophysiology of a PEx episode, guiding the design of data collection and studies and enabling causal inference. Here, we present the DAG that documents this understanding, along with the processes used in its development, providing transparency around our trial design and study processes, as well as a reusable framework for others.
• Abstract（参考訳）: 嚢胞性線維症 (CF) における肺機能の消失は, 急性肺増悪 (PEx) によって進行的に進行し, 肺機能の急激な低下が完全には回復しない。 過去半世紀におけるCF管理の重要な要素は、肺機能低下を遅らせるためのPExの治療である。 これは、CF (PwCF) の生存率の改善と評価されているが、PEx 管理に対する最適なアプローチについては合意が得られていない。 BEAT-CF(Bayesian evidence-adaptive treatment of CF)は、CFマネジメントのためのエビデンスインフォームド知識基盤を構築するために設立された。 BEAT-CF因果モデル (BEAT-CF causal model) は PEx のための有向非巡回グラフ (DAG) とベイジアンネットワーク (BN) であり, PEx 管理への代替アプローチの有効性を比較検討した臨床試験の設計と解析を行う。 因果モデルでは、個々のPExエピソードの結果に影響を与える気道の背景の危険因子、治療、病原体のコロニー化の関係を記述している。 CF臨床の専門家から重要な要因,結果,因果関係を抽出し,PExエピソードの病態に関する現在の専門家の理解を反映し,データ収集と研究の設計を導くとともに,因果推論を可能にした。 ここでは、DAGが、この理解を、開発で使用されるプロセスとともに文書化し、トライアル設計および研究プロセスに関する透明性を提供するとともに、他の人のための再利用可能なフレームワークを提供する。

関連論文リスト

• Predicting Risk of Pulmonary Fibrosis Formation in PASC Patients [30.23992107175403]
  いわゆるLong COVID(Long COVID)として知られるPASCは、持続性または新たに出現する症状の多様さとして現れている。 本研究では, 深層学習と放射能を併用して線維化予測を行うマルチセンター胸部CT解析フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-15T20:30:21Z)
• Understanding and Improving Adversarial Collaborative Filtering for Robust Recommendation [60.719158008403376]
  適応的協調フィルタリング(ACF)は、毒殺攻撃に対するレコメンダシステムの堅牢性を高める効果的な戦略として広く認識されている。 実証的な成功にもかかわらず、ACFの有効性を性能と堅牢性の両方の観点から理論的に理解するのは難しい。 我々はPamaCF(Personalized Magnitude Adversarial Collaborative Filtering)を提案する。
  論文  参考訳（メタデータ） (2024-10-30T09:23:14Z)
• Revisiting Catastrophic Forgetting in Large Language Model Tuning [79.70722658190097]
  Catastrophic Forgetting (CF) は、新しいデータを学ぶ際に獲得した知識を忘れるモデルを意味する。 本稿では,モデル損失景観の平坦度と大規模言語モデルの分野におけるCFの広さとの直接的な関係を明らかにするための第一歩を踏み出した。 様々なモデルスケールにまたがる3つの大規模微調整データセットの実験により,CFを緩和する手法の有効性が示された。
  論文  参考訳（メタデータ） (2024-06-07T11:09:13Z)
• Instrumental Variable Learning for Chest X-ray Classification [52.68170685918908]
  本稿では,素因果関係を排除し,正確な因果表現を得るための解釈可能な機器変数(IV)学習フレームワークを提案する。 提案手法の性能はMIMIC-CXR,NIH ChestX-ray 14,CheXpertデータセットを用いて実証した。
  論文  参考訳（メタデータ） (2023-05-20T03:12:23Z)
• Penalized Deep Partially Linear Cox Models with Application to CT Scans of Lung Cancer Patients [42.09584755334577]
  肺がんは世界中のがん死亡の原因であり、効果的な治療法を設計するための死亡リスクを理解することの重要性を強調している。 NLST(National Lung Screening Trial)は、肺がん患者の死亡リスクを定量化するために、CTテクスチャ解析を用いている。 本稿では,SCADペナルティを組み込んで重要なテクスチャ特徴を抽出し,深層ニューラルネットワークを用いてモデルの非パラメトリック成分を推定する,Pentalized Deep partially Linear Cox Model (Penalized DPLC)を提案する。
  論文  参考訳（メタデータ） (2023-03-09T15:38:16Z)
• Bayesian Simultaneous Factorization and Prediction Using Multi-Omic Data [0.0]
  本稿では, 推定因子分析の枠組みを提案し, 重要な疾患の表現型や臨床成績を同時に予測し, 多重計算に適応する。 BSFPを用いて気管支肺胞洗浄代謝物とプロテオームの肺機能を予測する。 肺機能低下にともなう多症状パターンと同様に, メタボロミクスとプロテオミクスの共通発現パターンにより, OLD患者集団が明らかとなった。
  論文  参考訳（メタデータ） (2022-11-29T17:28:06Z)
• CoRSAI: A System for Robust Interpretation of CT Scans of COVID-19 Patients Using Deep Learning [133.87426554801252]
  我々は,深部畳み込み神経網のアンサンブルを用いた肺CTスキャンのセグメンテーションによるアプローチを採用した。 本モデルを用いて, 病変の分類, 患者の動態の評価, 病変による肺の相対体積の推定, 肺の損傷ステージの評価が可能となった。
  論文  参考訳（メタデータ） (2021-05-25T12:06:55Z)
• Fibro-CoSANet: Pulmonary Fibrosis Prognosis Prediction using a Convolutional Self Attention Network [6.455738253742997]
  特発性肺線維症(IPF)は肺組織障害による肺機能低下を引き起こす間質性肺疾患である。 本稿では,新しいエンドツーエンドのマルチモーダル学習ベースのアプローチであるFibro-CoSANetを提案する。
  論文  参考訳（メタデータ） (2021-04-13T01:44:08Z)
• Fibrosis-Net: A Tailored Deep Convolutional Neural Network Design for Prediction of Pulmonary Fibrosis Progression from Chest CT Images [59.622239796473885]
  肺線維症は、回復不能な肺組織スカーリングおよび損傷を引き起こす慢性肺疾患であり、肺容量の進行的減少と既知の治療法がない。 胸部CT画像からの肺線維化進展の予測に適した深部畳み込みニューラルネットワークであるFibrosis-Netを導入する。
  論文  参考訳（メタデータ） (2021-03-06T02:16:41Z)

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。