論文の概要: Estimating Treatment Effects for Depression in Longitudinal Therapy Switching Settings
- arxiv url: http://arxiv.org/abs/2607.27214v1
- Date: Tue, 16 Jun 2026 01:31:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-02 22:55:39.102516
- Title: Estimating Treatment Effects for Depression in Longitudinal Therapy Switching Settings
- Title（参考訳）: 経時的治療切り替え設定における抑うつに対する治療効果の推定
- Abstract要約: 本研究は,ハミルトン抑うつ評価尺度 (HAMD-17) の総合スコアを, 代替治療下で推定するために, プロプライエタリな長大抑うつ障害 (MDD) 臨床試験データセットを用いた。
メタラーナー,残差に基づく手法,木に基づくアプローチを含む8つの推定器をベンチマークする。
我々の分析では、症状の利点は特定のスイッチ方向に集中していることが示され、線量増強は一般的に有益である。
- 参考スコア（独自算出の注目度）: 34.84491887827619
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Depression treatment often requires switching medications due to inadequate response or adverse effects. Estimating individualized treatment effects in this setting is challenging because treatment assignment is confounded by patient characteristics, switching induces time-varying selection, and counterfactual outcomes are not observed in follow-up data. Using a proprietary longitudinal major depressive disorder (MDD) clinical trial dataset, we formulate a next-visit counterfactual prediction task to estimate Hamilton Depression Rating Scale (HAMD-17) total scores under alternative treatments. We benchmark 8 estimators, including meta-learners, residual-based methods, and tree-based approaches. Causal Forest (CF) demonstrates the most favorable and consistent performance across all criteria. Our analysis shows that symptom benefits concentrate in specific switch directions, with dose intensification being generally beneficial. Notably, we identify a counterintuitive exception where a lower-intensity regimen outperforms a higher-intensity alternative for specific patient subsets. While crude observational comparisons substantially overstate gains, confounding-adjusted estimates yield modest, actionable magnitudes. These findings provide prospectively testable candidates for clinical decision support in depression care.
- Abstract（参考訳）: うつ治療は、しばしば不適切な反応や副作用のために薬を切り替える必要がある。
この環境での個別化治療効果の推定は、患者特性によって治療課題が構築され、切り替えによって時間的選択が誘導され、フォローアップデータには反現実的な結果が見つからないため、困難である。
本研究は,プロプライエタリな縦断的大うつ病 (MDD) 臨床試験データセットを用いて,ハミルトン抑うつ評価尺度 (HAMD-17) の総得点を定式化した。
メタラーナー,残差に基づく手法,木に基づくアプローチを含む8つの推定器をベンチマークする。
Causal Forest (CF)は、あらゆる基準において最も好意的で一貫したパフォーマンスを示している。
我々の分析では、症状の利点は特定のスイッチ方向に集中していることが示され、線量増強は一般的に有益である。
特に,低強度プレムが特定の患者サブセットに対して高強度の代替品よりも優れる反直観的例外を同定する。
粗末な観測結果の比較は州の過大な上昇を著しく上回っているが、不確定な調整された見積もりは、控えめな、実行可能な大きさを産み出す。
これらの結果から,うつ病診療における臨床的意思決定支援の候補が期待できる。
関連論文リスト
- Estimating heterogeneous treatment effects with survival outcomes via a deep survival learner [5.540352966241158]
生存条件における不均一な治療効果の推定は、適切な検閲と推定の時間変化によって複雑になる。
本研究では,不均一な治療効果を正しく評価する深層生存学習者を提案する。
論文 参考訳（メタデータ） (2026-04-12T01:11:44Z) - Assessing the robustness of heterogeneous treatment effects in survival analysis under informative censoring [50.164756034797136]
臨床研究ではドロップアウトが一般的で、副作用やその他の理由で患者の半数以上が早期に退院する。
ドロップアウトが有益な場合、治療効果の推定値にもバイアスがかかるため、検閲バイアスが導入される。
検閲バイアスに直面した場合の生存分析における条件平均処理効果推定のロバスト性を評価するための仮定リーンフレームワークを提案する。
論文 参考訳（メタデータ） (2025-10-15T10:51:17Z) - 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) - Learning Causally Predictable Outcomes from Psychiatric Longitudinal Data [6.09170287691728]
縦断的生医学データの因果推論は依然として中心的な課題である。
本アルゴリズムは, 結果集約のための非負の, 臨床的に解釈可能な重みを学習する。
我々のアルゴリズムは因果関係の回復における最先端の手法より一貫して優れている。
論文 参考訳（メタデータ） (2025-06-19T21:56:30Z) - Are causal effect estimations enough for optimal recommendations under multitreatment scenarios? [2.4578723416255754]
異なる治療やコントロール下での潜在的な結果を比較するために、因果効果推定分析を含めることが不可欠である。
マルチトリートメント選択のための包括的方法論を提案する。
論文 参考訳（メタデータ） (2024-10-07T16:37:35Z) - Estimating Long-term Heterogeneous Dose-response Curve: Generalization Bound Leveraging Optimal Transport Weights [54.65531750162626]
多くのアプリケーションにおいて、長期的な処理効果の推定は重要な問題であるが難しい問題である。
既存の方法は、長期的な平均治療効果を推定するために、保存されていない共同設立者やバイナリー処理など、理想的な仮定に依存している。
本稿では,長期観測データを補助的短期実験データと整合させるための最適輸送重み付けフレームワークを提案する。
論文 参考訳（メタデータ） (2024-06-27T14:13:46Z) - Dynamic Local Average Treatment Effects [19.014535120129338]
我々は,デジタルレコメンデーションと適応医療トライアルにおいて,片側非準拠の動的治療規則(DTR)を検討する。
局所的局所的平均処理効果(LATE)の非パラメトリック同定、推定、推定を行う。
この仮定は,複数の期間で動的LATEを識別するのに十分であることを示す。
論文 参考訳（メタデータ） (2024-05-02T16:52:09Z) - TCFimt: Temporal Counterfactual Forecasting from Individual Multiple
Treatment Perspective [50.675845725806724]
個別多面的治療の観点からの時間的対実予測の包括的枠組み(TCFimt)を提案する。
TCFimtは、選択と時間変化バイアスを軽減するためにSeq2seqフレームワークの逆タスクを構築し、比較学習ベースのブロックを設計し、混合処理効果を分離した主治療効果と因果相互作用に分解する。
提案手法は, 特定の治療法による今後の結果予測と, 最先端手法よりも最適な治療タイプとタイミングを選択する上で, 良好な性能を示す。
論文 参考訳（メタデータ） (2022-12-17T15:01:05Z) - BITES: Balanced Individual Treatment Effect for Survival data [0.0]
患者予後に対する介入の効果を推定することは、パーソナライズされた医療の重要な側面の1つである。
時間から時間までのデータは、治療最適化にはほとんど使われない。
我々は、治療特異的な半パラメトリックコックス損失と治療バランスの深いディープニューラルネットワークを組み合わせたBITESというアプローチを提案する。
論文 参考訳（メタデータ） (2022-01-05T10:39:31Z) - Deep Multi-task Learning for Depression Detection and Prediction in
Longitudinal Data [50.02223091927777]
うつ病は最も多い精神疾患の1つであり、世界中の年齢の何百万人もの人々に影響を与えている。
機械学習技術は、早期介入と治療のためのうつ病の自動検出と予測を可能にしている。
本稿では、この課題に対処するために、2つの補助的タスクでうつ病分類を共同最適化する、新しいディープマルチタスクリカレントニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2020-12-05T05:14:14Z) - Enabling Counterfactual Survival Analysis with Balanced Representations [64.17342727357618]
生存データは様々な医学的応用、すなわち薬物開発、リスクプロファイリング、臨床試験で頻繁に見られる。
本稿では,生存結果に適用可能な対実的推論のための理論的基盤を持つ統一的枠組みを提案する。
論文 参考訳（メタデータ） (2020-06-14T01:15:00Z)
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。