論文の概要: Attention-Based Estimation of the Individual Treatment Benefit Probability under Dose Variation

• arxiv url: http://arxiv.org/abs/2606.13821v1
• Date: Thu, 11 Jun 2026 18:53:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-15 16:00:42.579016
• Title: Attention-Based Estimation of the Individual Treatment Benefit Probability under Dose Variation
• Title（参考訳）: 線量変動下における個別処理利益確率の注意に基づく推定
• Authors: Lev V. Utkin, Andrei V. Konstantinov, Stanislav K. Kogan, Natalya M. Verbova, Maksim I. Goriunov,
• Abstract要約: 本稿では,IPTB推定のための一般フレームワークを提案する。 本手法では, 個々の治療効果の未観測符号に対して, 問題を二項分類として再検討する。 注意に基づくアグリゲーションは、カーネルの代替よりも一貫して優れていることを示す。
• 参考スコア（独自算出の注目度）: 0.5872014229110213
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Estimating the probability that a treatment outperforms a control for an individual patient, called the Individual Probability of Treatment Benefit (IPTB), offers a clinically intuitive alternative to population-average metrics. However, existing methods for IPTB estimation are largely confined to binary treatment settings, despite the prevalence of dose-varying interventions in clinical practice. We propose a general framework for IPTB estimation with ordinal outcomes under discrete dose assignments, called Dose-AIPTB (Dose Attention-based IPTB). Our approach recasts the problem as binary classification over the unobserved sign of the individual treatment effect, constructing pseudo-labels from covariate-similar pairwise comparisons and aggregating them via attention mechanisms or Nadaraya-Watson kernel regression. This formulation naturally accommodates multiple discrete dose levels, extending beyond the binary treatment paradigm. Through numerical experiments on real-world and synthetic data under covariate shift, varying sample sizes, and heterogeneous outcomes, we demonstrate that attention-based aggregation consistently outperforms kernel alternatives. The framework provides a foundation for personalized dose selection grounded in individual-level benefit probabilities. Codes implementing the model are publicly available at https://github.com/NTAILab/AIPTBDose.
• Abstract（参考訳）: 治療が個々の患者のコントロールを上回る確率を推定すると、IPTB(Personal Probability of Treatment Benefit)と呼ばれるもので、集団平均値に対する臨床的に直感的な代替手段を提供する。 しかし、既存のIPTB推定法は、臨床実践における用量変化による介入の頻度にもかかわらず、二分療法の設定に限られている。 そこで本稿では,Dose-AIPTB (Dose Attention-based IPTB) と呼ばれる,個別の線量割当に基づくIPTB推定のための一般的なフレームワークを提案する。 本手法では, 個別処理効果の未観測符号に対する二項分類として, 共変量-相似ペアワイド比較から擬似ラベルを構築し, 注意機構やナダラヤ-ワトソン核回帰を用いてそれらを集約する。 この定式化は自然に複数の離散線量レベルを許容し、二項処理パラダイムを超えて拡張する。 実世界および合成データの共変量シフト, サンプルサイズ, 不均一な結果の数値実験を通じて, 注目に基づく集約がカーネルの代替よりも一貫して優れていることを示す。 このフレームワークは、個人レベルの利益確率に基づいて、パーソナライズされた服用選択の基礎を提供する。 このモデルを実装するコードはhttps://github.com/NTAILab/AIPTBDoseで公開されている。

関連論文リスト

• Beyond Prompt: Fine-grained Simulation of Cognitively Impaired Standardized Patients via Stochastic Steering [58.85421622061983]
  認知障害患者の微粒化シミュレーションのためのStsPatientを提案する。 対照的な命令と応答のペアからステアリングベクトルを抽出することにより、ドメイン固有の特徴を捉える。 StsPatientは、臨床の信頼性と重症度の両方において、ベースラインを著しく上回る。
  論文  参考訳（メタデータ） (2026-04-14T02:37:46Z)
• Dimension-reduced outcome-weighted learning for estimating individualized treatment regimes in observational studies [1.338174941551702]
  個別治療体制(ITR)は、患者固有の特徴に基づいて治療を割り当てることにより、臨床結果を改善することを目的としている。 本稿では,潜在的結果のコントラストを目標とし,低次元部分空間を同定する,新しい十分次元削減手法を提案する。 提案手法は,緩やかな規則性条件下で,ベイズリスクに収束する普遍的整合性を実現することを示す。
  論文  参考訳（メタデータ） (2026-01-11T05:38:08Z)
• 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)
• Estimating treatment effects from single-arm trials via latent-variable modeling [14.083487062917085]
  すべての患者が治療グループに属しているシングルアーム臨床試験は、有効な代替手段であるが、外部コントロールグループへのアクセスが必要である。 このシナリオに対して、同定可能なディープ潜在変数モデルを提案する。 その結果, 直接治療効果評価と患者マッチングによる効果評価の両面で, 性能が向上した。
  論文  参考訳（メタデータ） (2023-11-06T10:12:54Z)
• Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
  医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。 まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
  論文  参考訳（メタデータ） (2023-02-03T13:50:25Z)
• Robust and Agnostic Learning of Conditional Distributional Treatment Effects [44.31792000298105]
  問題クラスに対する条件付きDTE(Conditional DTE)を学習するための、新しい堅牢でモデルに依存しない方法論を提供する。 本手法は回帰モデルクラスにCDTEの最良のプロジェクションを提供することができるため,モデルに依存しない。 シミュレーションにおける提案手法の挙動と,富に対する401(k)の適格性の影響を事例として検討した。
  論文  参考訳（メタデータ） (2022-05-23T17:40:31Z)
• On Inductive Biases for Heterogeneous Treatment Effect Estimation [91.3755431537592]
  我々は、異なる治療下で、個人の潜在的成果(PO)の構造的類似性を利用する方法について検討する。 この問題を克服するために、エンドツーエンドの学習戦略を3つ比較する。
  論文  参考訳（メタデータ） (2021-06-07T16:30:46Z)
• Evaluating (weighted) dynamic treatment effects by double machine learning [0.12891210250935145]
  本研究では,データ駆動方式で動的処理の因果効果を評価する。 いわゆるNeyman-orthogonal score関数を用いて,中等度(局所的な)不特定性に対する治療効果推定の頑健さを示唆する。 推定子は正規に正規であり、特定の条件下では$sqrtn$-consistentであることを示す。
  論文  参考訳（メタデータ） (2020-12-01T09:55:40Z)
• Learning from Aggregate Observations [82.44304647051243]
  本研究では,一組のインスタンスに監視信号が与えられる集合観察から学習する問題について検討する。 本稿では,多種多様な集合観測に適合する一般的な確率的枠組みを提案する。 単純な極大解は様々な微分可能なモデルに適用できる。
  論文  参考訳（メタデータ） (2020-04-14T06:18:50Z)

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。