論文の概要: Joint Treatment Effect Estimation from Incomplete Healthcare Data: Temporal Causal Normalizing Flows with LLM-driven Evolutionary MNAR Imputation

• arxiv url: http://arxiv.org/abs/2605.05125v1
• Date: Wed, 06 May 2026 16:53:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-07 18:41:07.949536
• Title: Joint Treatment Effect Estimation from Incomplete Healthcare Data: Temporal Causal Normalizing Flows with LLM-driven Evolutionary MNAR Imputation
• Title（参考訳）: 不完全医療データによる共同治療効果の推定:LLM駆動型進化型MNARインプットを用いた経時的因果正規化フロー
• Authors: Olivia Jullian Parra, Sara Zoccheddu, David Catalan Cerezo, Tom Forzy, Franziska Ulrich, William Sutcliffe, Jakob Martin Burgstaller, Oliver Senn, Patrick Owen, Nicola Serra,
• Abstract要約: 不完全長手EHRによる治療効果推定のための2段階パイプラインを提案する。 CaulFlow-Tは、長期記憶(LSTM)を符号化した患者履歴を持つ、DAGに制約された正規化フローである。 CaulFlow-Tは、正確な非可逆逆推論を行い、変分推論からの近似誤差を回避し、明示的な因果構造を通して共起を分離する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Target trial emulation (TTE) enables causal questions to be studied with observational data when randomized controlled trials (RCTs) are infeasible. Yet treatment-effect methods often address causal estimation, missingness, and temporal structure separately, limiting their robustness in electronic health records (EHRs), where time-varying confounding and missing-not-at-random (MNAR) biomarkers can reach 50%--80%. We propose a two-stage pipeline for treatment effect estimation from incomplete longitudinal EHRs. First, CausalFlow-T, a directed acyclic graph (DAG)-constrained normalizing flow with long short-term memory (LSTM)-encoded patient history, performs exact invertible counterfactual inference, avoiding approximation errors from variational inference and separating confounding through explicit causal structure. Ablations on four synthetic and one semi-synthetic benchmark with known counterfactuals show that DAG constraints and exact inference address distinct failure modes: neither compensates for the other. Second, because CausalFlow-T requires completed inputs, we introduce an LLM-driven evolutionary imputer that proposes executable imputation operators rather than individual entries, and evaluate it with three large language model (LLM) backends, including two open-source models. Across 30%--80% MNAR missingness, this imputer achieves the best pooled rank over biomarker and causal metrics, leading in point-wise accuracy and temporal extrapolation while preserving average treatment effect (ATE) recovery as statistical baselines degrade. On Swiss primary-care EHRs from adults with type 2 diabetes initiating a GLP-1 receptor agonist or SGLT-2 inhibitor, the pipeline estimates a per-protocol weight-loss difference of -0.98 kg [95% CI -1.01, -0.96] favoring GLP-1 receptor agonists, consistent with randomized evidence and obtained from realistically incomplete real-world EHRs.
• Abstract（参考訳）: ターゲット・トライアル・エミュレーション(TTE)は、ランダム化制御試験(RCT)が実現不可能な場合に、因果質問を観察データで研究できるようにする。 しかし、治療効果の手法は因果推定、欠如、時間的構造を別々に扱い、電子健康記録(EHR)の堅牢性を制限する。 不完全長手EHRによる治療効果推定のための2段階パイプラインを提案する。 まず,長期記憶(LSTM)を符号化した有向非巡回グラフ(DAG)制約正規化フローであるCausalFlow-Tは,変分推論からの近似誤差を回避し,明示的な因果構造を通して共起を分離する。 4つの合成的および1つの半合成的ベンチマークの既知の反事実によるアブレーションは、DAGの制約と正確な推論が異なる障害モードに対応していることを示している。 第二に、CausalFlow-Tは入力の完了を必要とするため、個々のエントリではなく実行可能な命令演算子を提案するLCM駆動の進化的インプタを導入し、2つのオープンソースモデルを含む3つの大規模言語モデル(LLM)バックエンドで評価する。 30%～80%のMNAR欠失により、このインプタはバイオマーカーと因果測定値よりも最高のプール位を獲得し、統計基準値の低下として平均治療効果(ATE)の回復を保ちながら、ポイントワイズ精度と時間外挿につながる。 GLP-1受容体アゴニストまたはSGLT-2阻害剤を誘導する2型糖尿病の成人のスイスのプライマリケア EHRでは、GLP-1受容体アゴニストに賛成する-0.98kg[95% CI -1.01,-0.96]の体重-ロス差を推定し、ランダム化された証拠と一致し、現実的に不完全な現実世界 EHRから得られる。

関連論文リスト

• LLM-Extracted Covariates for Clinical Causal Inference: Rethinking Integration Strategies [7.5675661390024125]
  電子的健康記録からの因果推論は、測定されていないコンバウンディングによって根本的に制限される。 我々は、潜伏した共同ファウンダーを因果推定パイプラインに効果的に統合する方法を示す。
  論文  参考訳（メタデータ） (2026-04-18T00:26:10Z)
• Estimation of Segmental Longitudinal Strain in Transesophageal Echocardiography by Deep Learning [4.266983119889826]
  本研究では,経食道心エコー法(TEE)における運動推定のための深層学習(DL)法を用いたSLS推定のための最初の自動パイプラインであるautoStrainを紹介した。 本稿では,高密度フレーム・フレーム間予測のためのRAFT光フローモデルに基づくTeeFlowと,スパース長周期予測のためのCoTracker点軌道モデルに基づくTeeTrackerの2つのDL手法の比較分析を行う。 評価の結果,TeeTrackerの精度はTeeFlowより優れており,SynTEEテストデータセット上での動作推定における平均距離誤差は0.65mmであることがわかった。
  論文  参考訳（メタデータ） (2025-11-04T03:02:27Z)
• Overlap-weighted orthogonal meta-learner for treatment effect estimation over time [90.46786193198744]
  ヘテロジニアス治療効果(HTE)を推定するための新しい重み付きメタラーナーを提案する。 我々のWO-Larnerは、ノイマン直交性(Neyman-orthogonality)の好ましい性質を持ち、ニュアンス関数の誤特定に対して堅牢である。 我々のWO-learnerは完全にモデルに依存しず、あらゆる機械学習モデルに適用可能であることを示す。
  論文  参考訳（メタデータ） (2025-10-22T14:47:57Z)
• Detection of Autonomic Dysreflexia in Individuals With Spinal Cord Injury Using Multimodal Wearable Sensors [2.208475400165877]
  自律神経障害 (AD) は、脊髄損傷者(SCI)の突然の血圧急上昇を特徴とする生命予後の1つである。 本研究では,マルチモーダルウェアラブルセンサを用いたAD検出のための非侵襲的,説明可能な機械学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-23T21:18:23Z)
• Microelectrode Signal Dynamics as Biomarkers of Subthalamic Nucleus Entry on Deep Brain Stimulation: A Nonlinear Feature Approach [0.0]
  本稿では、非線形力学とエントロピーに基づくメトリクスを利用して、STN内外から記録された神経活動の分類を行うフレームワークを提案する。 本研究は,DBS手術中におけるリアルタイム・データ駆動意思決定支援における非線形・エントロピー信号記述子の可能性を明らかにするものである。
  論文  参考訳（メタデータ） (2025-06-14T23:23:26Z)
• A Generative Framework for Causal Estimation via Importance-Weighted Diffusion Distillation [55.53426007439564]
  観察データから個別化された治療効果を推定することは因果推論における中心的な課題である。 逆確率重み付け(IPW)は、この問題に対するよく確立された解決策であるが、現代のディープラーニングフレームワークへの統合は依然として限られている。 本稿では,拡散モデルの事前学習と重み付きスコア蒸留を組み合わせた新しい生成フレームワークであるIWDDを提案する。
  論文  参考訳（メタデータ） (2025-05-16T17:00:52Z)
• Imputation-Free Learning from Incomplete Observations [73.15386629370111]
  本稿では,不備な値を含む入力からの推論をインプットなしでトレーニングするIGSGD法の重要性について紹介する。 バックプロパゲーションによるモデルのトレーニングに使用する勾配の調整には強化学習(RL)を用いる。 我々の計算自由予測は、最先端の計算手法を用いて従来の2段階の計算自由予測よりも優れている。
  論文  参考訳（メタデータ） (2021-07-05T12:44:39Z)
• 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)
• Efficient Causal Inference from Combined Observational and Interventional Data through Causal Reductions [68.6505592770171]
  因果効果を推定する際の主な課題の1つである。 そこで本研究では,任意の数の高次元潜入共創者を置き換える新たな因果還元法を提案する。 パラメータ化縮小モデルを観測データと介入データから共同で推定する学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-08T14:29:07Z)
• DeepRite: Deep Recurrent Inverse TreatmEnt Weighting for Adjusting Time-varying Confounding in Modern Longitudinal Observational Data [68.29870617697532]
  時系列データにおける時間変化の相違に対するDeep Recurrent Inverse TreatmEnt重み付け(DeepRite)を提案する。 DeepRiteは、合成データから基底的真理を復元し、実際のデータから偏りのない処理効果を推定する。
  論文  参考訳（メタデータ） (2020-10-28T15:05:08Z)

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。