論文の概要: Estimating Individualized Treatment Effects in Acute Ischemic Stroke with Causal Transformation Models (TRAM-DAG): A Multi-Centre Observational Study with External RCT Validation
- arxiv url: http://arxiv.org/abs/2606.12623v2
- Date: Mon, 15 Jun 2026 05:34:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-17 15:01:46.617092
- Title: Estimating Individualized Treatment Effects in Acute Ischemic Stroke with Causal Transformation Models (TRAM-DAG): A Multi-Centre Observational Study with External RCT Validation
- Title（参考訳）: 因果変換モデル(TRAM-DAG)を用いた急性虚血性脳卒中における個別治療効果の推定 : 外部RTTバリデーションを用いた多心的観察
- Authors: Oliver Dürr, Lisa Herzog, Pascal Bühler, Susanne Wegener, Beate Sick,
- Abstract要約: ランダム化対照試験(RCTs)では,機械的血栓摘出術が解離よりも平均的に有効であることが示されている。
本研究の目的は, メカニカル・トロンボミーの患者に対して, 解離と比較して最も有益な患者を特定することである。
我々は,脳卒中患者の観察データに照準を合わせることで,指向性非環状グラフ(TRAM-DAG)の因果変換モデルをITT推定に利用できることを示した。
- 参考スコア（独自算出の注目度）: 0.5359378066251386
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Personalized medicine in acute ischemic stroke requires moving beyond average treatment effects (ATE) to individualized treatment effect (ITE) estimates to support treatment decisions. In acute ischemic stroke, mechanical thrombectomy has been shown to be more effective on average than lysis in randomized controlled trials (RCTs), such as the MR CLEAN study. We aim to identify which individual patients benefit most from mechanical thrombectomy compared to lysis. The outcome of interest is the modified Rankin Scale (mRS) at three months, an ordinal measure of functional disability (0: no symptoms, 6: death). We demonstrate that causal transformation models on directed acyclic graphs (TRAM-DAG) can be used for ITE estimation after being fitted on observational MAGIC multi-center stroke patient data. To ensure comparability with the MR CLEAN population, which we use for validation, we train the TRAM-DAG on a MAGIC sub-population with NIHSS at admission >= 6, corresponding to one inclusion criterion of MR CLEAN. The fitted model is then used to estimate ITEs for stroke patients in the MR CLEAN population. While these ITE estimates cannot be confirmed experimentally, we show that their average is consistent with the trial's reported ATE. Furthermore, the ITE estimates correctly rank trial patients by their observed frequency of a good outcome (mRS at three months <= 2). These findings support the use of causal models like TRAM-DAG for personalized decision-making in stroke care and highlight their ability to bridge the gap between observational evidence and clinical trials.
- Abstract（参考訳）: 急性期脳卒中におけるパーソナライズドメディシンは、平均治療効果(ATE)を超えて、治療決定を支援するために個別治療効果(ITE)推定に移行する必要がある。
急性期脳梗塞では,MR CLEANなどのランダム化対照試験(RCT)では,機械的血栓摘出術が平均よりも有効であることが示されている。
本研究の目的は, メカニカル・トロンボミーの患者に対して, 解離と比較して最も有益な患者を特定することである。
興味の表れは、機能障害(0:無症状、6:死亡)の経常的尺度である3ヶ月の修正ランキンスケール(mRS)である。
本研究では,TRAM-DAGの因果変換モデルを用いて,MRICマルチセンター脳卒中患者データに照準を合わせ,ITE推定を行うことを示した。
MR CLEAN 集団との適合性を確保するため, MR CLEAN の1 つの包含基準に従って NIHSS= 6 で MAGIC サブ集団上で TRAM-DAG を訓練する。
次に, MR CLEAN群における脳卒中患者のITEを推定する。
これらのITE推定値は実験的に確認できないが、その平均値が報告されたATEと一致していることを示す。
さらに、ITEは、良好な結果の観察頻度(mRSは3カ月=2。
これらの知見は、脳卒中ケアにおけるパーソナライズされた意思決定のためのTRAM-DAGのような因果モデルの使用を支援し、観察証拠と臨床試験の間のギャップを埋める能力を強調している。
関連論文リスト
- Machine learning models for estimating counterfactuals in a single-arm inflammatory bowel disease study [1.685177132716279]
シングルアーム試験は、同時制御グループのために採用される患者数を減らし、研究タイムラインを加速する。
1つのアプローチは、外部制御データに基づいてトレーニングされた機械学習(ML)モデルを使用して仮想制御アームを構築し、処理アームの対実結果を予測することである。
本研究は,炎症性腸疾患(IBD)臨床試験において,高額,長期,非倫理的な患者募集の代替として,バーチャルコントロールを有効かつ効果的に支援する。
論文 参考訳（メタデータ） (2026-04-25T23:09:07Z) - TEA-Time: Transporting Effects Across Time [44.54570296032634]
本研究では, 時間的輸送の枠組みを構築し, 実験を行わない期間に治療効果を外挿する。
そのうちの1つは、異なるタイミングで同じ治療法を比較した複製試薬を使用し、もう1つは、時間にわたって観察される一般的な治療アームを使用します。
論文 参考訳（メタデータ） (2026-03-07T03:34:13Z) - SurgeryLSTM: A Time-Aware Neural Model for Accurate and Explainable Length of Stay Prediction After Spine Surgery [44.119171920037196]
選択的脊椎手術における滞在時間(LOS)予測のための機械学習モデルの開発と評価を行った。
我々は,従来のMLモデルと,マスク付き双方向長短期記憶(BiLSTM)であるオペレーショナルLSTMを比較した。
決定係数(R2)を用いて性能を評価し,説明可能なAIを用いて鍵予測器を同定した。
論文 参考訳（メタデータ） (2025-07-15T01:18:28Z) - Beyond the ATE: Interpretable Modelling of Treatment Effects over Dose and Time [46.2482873419289]
本研究では, 治療効果トラジェクトリを線量および時間とともに滑らかな表面としてモデル化する枠組みを提案する。
本研究は, 臨床的に有意な特性の特定から, 軌道形状の推定を分離する。
本手法は, 処理力学の精度, 解釈可能, 編集可能なモデルを生成する。
論文 参考訳（メタデータ） (2025-07-09T20:33:33Z) - Causal machine learning for heterogeneous treatment effects in the presence of missing outcome data [0.9087641068861047]
条件付き平均治療効果(CATE)に対する因果的機械学習推定器に欠落した結果データが与える影響について論じる。
我々はCATE(mDR-learner)とmEP-learner(mEP-learner)の2つの非バイアス機械学習推定器を提案する。
妥当な条件下では,これらの推定器はオラクル効率が高く,シミュレーションデータ設定による良好な性能を示す。
論文 参考訳（メタデータ） (2024-12-27T16:10:03Z) - Treatment-wise Glioblastoma Survival Inference with Multi-parametric
Preoperative MRI [34.830878479276286]
MRスキャンに加えて治療情報を組み込んだグリオブラスト腫STの治療条件回帰モデルを提案する。
当社のアプローチでは,各治療の個別モデルをトレーニングする必要はなく,すべての治療から得られるデータを統一的に活用することが可能です。
論文 参考訳（メタデータ） (2024-02-10T16:13:09Z) - Towards Outcome-Driven Patient Subgroups: A Machine Learning Analysis
Across Six Depression Treatment Studies [41.34047608276278]
神経回路モデルを用いてうつ病の薬理学的治療6治験のデータを解析した。
5種類のモノセラピーと3種類の併用療法に対して,寛解率と解離確率を分類し,個別解離確率を推定するモデルを構築した。
ポストホック分析は、トレーニング中に学んだ患者プロトタイプに基づいてクラスター(サブグループ)を得た。
論文 参考訳（メタデータ） (2023-03-24T14:34:09Z) - TranSOP: Transformer-based Multimodal Classification for Stroke
Treatment Outcome Prediction [2.358784542343728]
本稿では,臨床メタデータと画像情報を利用した分類手法として,トランスフォーマーベースのマルチモーダルネットワーク(TranSOP)を提案する。
これには3D非造影CT(non-contrast Computed tomography)の特徴と臨床情報を効率的に組み合わせる融合モジュールが含まれる。
単モーダルおよびマルチモーダルデータを用いた比較実験では、最先端のAUCスコアが0.85である。
論文 参考訳（メタデータ） (2023-01-25T21:05:10Z) - Prediction of Thrombectomy Functional Outcomes using Multimodal Data [2.358784542343728]
本稿では,マルチモーダルデータを直接活用し,血管内治療の成功を推定するための新しいディープラーニング手法を提案する。
我々は、チャネルワイドおよび空間的にグローバルな特徴間距離をモデル化するためのアテンションメカニズムをアーキテクチャに組み込んだ。
論文 参考訳（メタデータ） (2020-05-26T21:51:58Z) - Estimating Counterfactual Treatment Outcomes over Time Through
Adversarially Balanced Representations [114.16762407465427]
時間とともに治療効果を推定するためにCRN(Counterfactual Recurrent Network)を導入する。
CRNは、患者履歴のバランスの取れた表現を構築するために、ドメイン敵のトレーニングを使用する。
本モデルでは, 正解率の予測と適切な治療時期の選択において, 誤差の低減を図っている。
論文 参考訳（メタデータ） (2020-02-10T20:47:36Z)
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。