論文の概要: Machine learning to optimize precision in the analysis of randomized trials: A journey in pre-specified, yet data-adaptive learning

• arxiv url: http://arxiv.org/abs/2512.13610v1
• Date: Mon, 15 Dec 2025 18:05:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 17:54:56.794147
• Title: Machine learning to optimize precision in the analysis of randomized trials: A journey in pre-specified, yet data-adaptive learning
• Title（参考訳）: ランダム化試行分析における精度最適化のための機械学習--事前に特定されているが、データ適応学習の旅
• Authors: Laura B. Balzer, Mark J. van der Laan, Maya L. Petersen,
• Abstract要約: 我々は、共変量調整のための機械学習ベースのアプローチを開発し、評価し、実装するという私たちの物語を語る。 我々は, 限界効果を推定するためのアプローチについて, 実用上の問題だけでなく, 理論的根拠を提供する。 本研究は,最近公表された8治験の予備的,特定された分析に本手法を適用した結果について述べる。
• 参考スコア（独自算出の注目度）: 2.6827221447298406
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Covariate adjustment is an approach to improve the precision of trial analyses by adjusting for baseline variables that are prognostic of the primary endpoint. Motivated by the SEARCH Universal HIV Test-and-Treat Trial (2013-2017), we tell our story of developing, evaluating, and implementing a machine learning-based approach for covariate adjustment. We provide the rationale for as well as the practical concerns with such an approach for estimating marginal effects. Using schematics, we illustrate our procedure: targeted machine learning estimation (TMLE) with Adaptive Pre-specification. Briefly, sample-splitting is used to data-adaptively select the combination of estimators of the outcome regression (i.e., the conditional expectation of the outcome given the trial arm and covariates) and known propensity score (i.e., the conditional probability of being randomized to the intervention given the covariates) that minimizes the cross-validated variance estimate and, thereby, maximizes empirical efficiency. We discuss our approach for evaluating finite sample performance with parametric and plasmode simulations, pre-specifying the Statistical Analysis Plan, and unblinding in real-time on video conference with our colleagues from around the world. We present the results from applying our approach in the primary, pre-specified analysis of 8 recently published trials (2022-2024). We conclude with practical recommendations and an invitation to implement our approach in the primary analysis of your next trial.
• Abstract（参考訳）: 共変量調整は、一次終端の予測できないベースライン変数を調整することにより、試行分析の精度を向上させるアプローチである。 SEARCH Universal HIV Test-and-Treat Trial (2013-2017)によってモチベーションされた我々は、共変量調整のための機械学習ベースのアプローチを開発し、評価し、実装するという物語を語る。 我々は, 限界効果を推定するためのアプローチについて, 実用上の問題だけでなく, 理論的根拠を提供する。 提案手法は,アダプティブプレ仕様を用いた機械学習推定(TMLE)である。 簡単に言えば、サンプルスプリッティングは、結果回帰(すなわち、トライアルアームと共変量による結果の条件予測)と既知の確率スコア(すなわち、共変量による介入にランダム化される条件確率)の組合せをデータ順に選択するために使用され、これにより、クロスバリデーション分散推定を最小化し、経験的効率を最大化する。 本稿では,パラメトリック・プラズマシミュレーションによる有限サンプル性能評価,統計解析計画の事前指定,および世界各国の同僚とのビデオ会議をリアルタイムに行う方法について論じる。 本研究は,最近公表された8つの試験(2022-2024)の初回的,特定された分析に本手法を適用した結果について述べる。 我々は,次のトライアルの一次分析において,実践的な勧告とアプローチ導入の招待で締めくくります。

関連論文リスト

• Conformalized Regression for Continuous Bounded Outcomes [0.0]
  境界付き連続的な結果の回帰問題は、実世界の統計学や機械学習の応用においてしばしば発生する。 既存の統計学および機械学習の文献の多くは、境界値の点予測や近似に基づく区間予測に重点を置いている。 我々は変換モデルとベータ回帰に基づく有界な結果に対する共形予測区間を開発する。
  論文  参考訳（メタデータ） (2025-07-18T15:51:48Z)
• Prediction-Guided Active Experiments [18.494123886098215]
  予測誘導能動実験(PGAE)のための新しいフレームワークについて紹介する。 PGAEは、既存の機械学習モデルからの予測を活用して、サンプリングと実験をガイドする。 我々は、PGAEが効率的であり続け、一定の正則性仮定の下で同じ半パラメトリック境界を得ることを示す。
  論文  参考訳（メタデータ） (2024-11-18T20:16:24Z)
• Federated Causal Inference: Multi-Study ATE Estimation beyond Meta-Analysis [12.896319628045967]
  我々は、中央に分散したデータから治療効果を推定するフェデレート因果推論(Federated Causal Inference)について検討する。 プラグインG-Formulaから得られた平均治療効果(ATE)推定器の3つのクラスを比較した。
  論文  参考訳（メタデータ） (2024-10-22T10:19:17Z)
• Flexible Nonparametric Inference for Causal Effects under the Front-Door Model [2.6900047294457683]
  本研究では, 平均治療効果, 平均治療効果の両面から, 新規な1段階, 目標最小損失ベース推定装置を開発した。 我々の推定器は観測されたデータ分布のパラメータ化に基づいて構築され、メディエータ密度を完全に回避するアプローチを含む。 因果効果推定器の効率を向上させるためにこれらの制約をどのように活用できるかを示す。
  論文  参考訳（メタデータ） (2023-12-15T22:04:53Z)
• Selective Nonparametric Regression via Testing [54.20569354303575]
  本研究では,所定の点における条件分散の値に関する仮説を検証し,留置手順を開発する。 既存の手法とは異なり、提案手法は分散自体の値だけでなく、対応する分散予測器の不確実性についても考慮することができる。
  論文  参考訳（メタデータ） (2023-09-28T13:04:11Z)
• Improving Adaptive Conformal Prediction Using Self-Supervised Learning [72.2614468437919]
  我々は、既存の予測モデルの上に自己教師付きプレテキストタスクを持つ補助モデルを訓練し、自己教師付きエラーを付加的な特徴として用いて、非整合性スコアを推定する。 合成データと実データの両方を用いて、効率(幅)、欠陥、共形予測間隔の超過といった付加情報の利点を実証的に実証する。
  論文  参考訳（メタデータ） (2023-02-23T18:57:14Z)
• Semantic Self-adaptation: Enhancing Generalization with a Single Sample [45.111358665370524]
  セマンティックセグメンテーションのための自己適応型アプローチを提案する。 整合正則化を用いて畳み込み層のパラメータを入力画像に微調整する。 実験により, 自己適応は訓練時のモデル正規化の確立した実践を補完する可能性が示唆された。
  論文  参考訳（メタデータ） (2022-08-10T12:29:01Z)
• Predictive machine learning for prescriptive applications: a coupled training-validating approach [77.34726150561087]
  規範的応用のための予測機械学習モデルをトレーニングするための新しい手法を提案する。 このアプローチは、標準的なトレーニング検証テストスキームの検証ステップを微調整することに基づいている。 合成データを用いたいくつかの実験は、決定論的モデルと実モデルの両方において処方料コストを削減できる有望な結果を示した。
  論文  参考訳（メタデータ） (2021-10-22T15:03:20Z)
• Bayesian prognostic covariate adjustment [59.75318183140857]
  疾患の結果に関する歴史的データは、様々な方法で臨床試験の分析に組み込むことができる。 我々は, 予測モデルからの予後スコアを用いて, 治療効果推定の効率を向上する既存の文献に基づいて構築する。
  論文  参考訳（メタデータ） (2020-12-24T05:19:03Z)
• A One-step Approach to Covariate Shift Adaptation [82.01909503235385]
  多くの機械学習シナリオにおけるデフォルトの前提は、トレーニングとテストサンプルは同じ確率分布から引き出されることである。 予測モデルと関連する重みを1つの最適化で共同で学習する新しいワンステップアプローチを提案する。
  論文  参考訳（メタデータ） (2020-07-08T11:35:47Z)

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。