論文の概要: Confounder Detection via Treatment Intent: A New Observational Study Design

• arxiv url: http://arxiv.org/abs/2605.26413v1
• Date: Tue, 26 May 2026 00:41:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-27 17:51:41.515275
• Title: Confounder Detection via Treatment Intent: A New Observational Study Design
• Title（参考訳）: 治療インテントによる共同設立者検出:新しい観察研究設計
• Authors: Drago Plecko, Patrik Okanovic, Torsten Hoefler, Elias Bareinboim,
• Abstract要約: 我々は、治療意図による共同設立者検出と呼ばれる新しい研究設計を導入する。 このアイデアは、治療決定を行う人間の専門家に問い合わせ、ペアのユニットの比較を依頼する。 ICUで収集された電子的健康記録が未確認のコンファウンディングの対象であることの実証的証拠を示す。
• 参考スコア（独自算出の注目度）: 69.50062870487349
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding the effects of interventions is central to scientific progress, with randomized controlled trials (RCTs) regarded as the gold standard for causal inference in many applied fields. However, RCTs are costly, time-consuming, and often constrained by ethical or practical limitations, motivating the need for causal methods able to draw conclusions from observational data. While such data is collected at ever larger scale, making its use for causal inference is often hindered by the fact that not all variables affecting treatment allocation and the outcome are observed: an issue known as unobserved confounding. In this paper, we introduce a new study design called confounder detection via treatment intent. The idea is to query a human expert who makes treatment decisions, and ask them to compare pairs of units proposed by a principled matching strategy, with the goal of eliciting unobserved variables that explain why treatment decisions differ. We provide a theoretical basis for such a procedure, ascertaining conditions under which such a study design may elicit unobserved confounders. Building on this newly established foundations, we study treatment effects of interventions in the intensive care unit (ICU). First, we show empirical evidence strongly indicating that electronic health records (EHRs) collected in ICUs are subject to unobserved confounding. By using clinical text notes as a proxy for physicians' knowledge and leveraging natural language processing, we provide a proof of concept for our methodology in a semi-synthetic environment with a known ground truth.
• Abstract（参考訳）: 介入の効果を理解することは、多くの応用分野において因果推論のゴールドスタンダードと見なされるランダム化制御試験(RCT)において、科学的進歩の中心である。 しかし、RTTは費用がかかり、時間がかかり、しばしば倫理的または実践的な制限によって制約されるため、観測データから結論を引き出すことのできる因果的方法の必要性が動機となっている。 このようなデータはずっと大規模に収集されるが、因果推論に使用されることは、治療の割り当てや結果に影響を与える変数がすべて観察されないという事実によって、しばしば妨げられる。 本稿では,治療意図による共同設立者検出という新しい研究設計を提案する。 この考え方は、治療決定を行う人間の専門家に問い合わせ、原則化されたマッチング戦略によって提案されたユニットのペアを比較し、治療決定がなぜ異なるのかを説明する未観測変数を抽出することを目的としている。 我々は、そのような手続きの理論的基盤を提供し、そのような研究設計が保存されていない共同設立者を招きかねない条件を確定する。 本研究は,本施設を基盤として,集中治療室(ICU)の介入による治療効果について検討する。 まず、ICUで収集された電子健康記録(EHR)が、未観測のコンバウンディングの対象であることを示す経験的証拠を示す。 臨床テキストノートを医師の知識の代用として利用し,自然言語処理を活用することによって,半合成環境下での方法論の概念実証を行う。

関連論文リスト

• What Makes Treatment Effects Identifiable? Characterizations and Estimators Beyond Unconfoundedness [14.699342649039052]
  平均治療効果の同定を可能にする一般的な条件について検討する。 ATEの同定に十分かつ必要な解釈可能な条件を提供する。 ATEは、事前の作業がキャプチャできないようなレギュレーションで識別可能であることを証明します。
  論文  参考訳（メタデータ） (2025-06-04T17:40:55Z)
• Causal Graph Aided Causal Discovery in an Observational Aneurysmal Subarachnoid Hemorrhage Study [0.9217021281095907]
  ランダム化臨床試験(RCTs)の有効な補完として、観測データに対する因果推論法がますます認識されている 本報告では,中等教育における「中等教育」の実践について述べる。 動脈瘤下出血(aSAH)患者から得られたデータから概念を導出する また,マルチセンター研究の手法を提案し,個々のセンターレベルでの実践的変化の影響をモニタリングする。
  論文  参考訳（メタデータ） (2024-08-12T19:31:16Z)
• The Blessings of Multiple Treatments and Outcomes in Treatment Effect Estimation [53.81860494566915]
  既存の研究では、プロキシ変数や複数の処理を利用してバイアスを補正している。 多くの実世界のシナリオでは、複数の結果に対する影響を研究することにより大きな関心がある。 この設定に関わる複数の結果の並列研究は、因果同定において互いに助け合うことが示されている。
  論文  参考訳（メタデータ） (2023-09-29T14:33:48Z)
• Ambiguous Dynamic Treatment Regimes: A Reinforcement Learning Approach [0.0]
  動的処理レジーム(DTR)は、このプロセスの形式化のために広く研究されている。 最適な治療体制を効率的に学習するための強化学習法を開発した。
  論文  参考訳（メタデータ） (2021-12-08T20:22:04Z)
• Learning Decomposed Representation for Counterfactual Inference [53.36586760485262]
  観察データから治療効果を推定する際の根本的な問題は、共同設立者の識別とバランスである。 これまでの方法の多くは、観察されたすべての事前処理変数を共同創設者として扱い、共同創設者と非共同創設者の識別をさらに無視することで、共同ファウンダーのバランスを実現していた。 本研究では,1)共同創設者と非共同創設者の両方の表現を学習することで共同創設者を同定し,2)再重み付け手法のバランスをとるとともに,同時に,反実的推論による観察研究における治療効果を推定する相乗的学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-12T09:50:42Z)
• Generalization Bounds and Representation Learning for Estimation of Potential Outcomes and Causal Effects [61.03579766573421]
  代替薬に対する患者一人の反応など,個人レベルの因果効果の推定について検討した。 我々は,表現の誘導的処理群距離を正規化することにより,境界を最小化する表現学習アルゴリズムを考案した。 これらのアルゴリズムを拡張して、重み付き表現を同時に学習し、治療群距離をさらに削減する。
  論文  参考訳（メタデータ） (2020-01-21T10:16:33Z)

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。