論文の概要: Bayesian fusion forests for heterogeneous treatment effects on survival from randomised and real-world data
- arxiv url: http://arxiv.org/abs/2607.29295v1
- Date: Fri, 31 Jul 2026 11:12:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-03 14:29:40.698322
- Title: Bayesian fusion forests for heterogeneous treatment effects on survival from randomised and real-world data
- Title（参考訳）: ランダム化および実世界のデータからの生存に対する不均質処理効果のためのベイズ融合林
- Authors: Tijn Jacobs, Stéphanie L. van der Pas, Wessel N. van Wieringen,
- Abstract要約: 非パラメトリックなフレームワークを開発し、不均一な治療効果が生存率に与える影響を推定する。
このフレームワークは、処理効果が2つのソースをまたいで移動すると仮定することで、現実世界のデータに対する未確立の仮定を緩和する。
HIVに対する抗レトロウイルス療法の併用効果を評価するため,ACTG 175 臨床試験と Multicenter AIDS Cohort Study を併用した。
- 参考スコア（独自算出の注目度）: 0.10705399532413612
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We develop the Bayesian fusion forest, a nonparametric framework to estimate heterogeneous treatment effects on survival outcomes by combining a randomised controlled trial and real-world data. The framework relaxes the unconfoundedness assumption on the real-world data by assuming instead that the treatment effect transports across the two sources. Our method opens up right- and interval-censored outcomes to data fusion. We model the survival time with an accelerated failure time decomposition into a shared baseline prognosis, a source-specific deviation, a treatment effect, and a confounding function. The confounding function absorbs the confounding bias in the real-world data. Each component receives a Bayesian tree ensemble prior. The shared baseline prognosis borrows strength across sources, while the deviation captures between-source heterogeneity. A hierarchical Dirichlet process mixture models the error distribution nonparametrically. A simulation study shows efficiency gains over a trial-only analysis across varying levels of confounding and between-source heterogeneity. We combine the ACTG 175 trial with the Multicenter AIDS Cohort Study to estimate the effect of combination antiretroviral therapy for HIV. The fusion identifies a benefit for nearly every patient whereas the trial alone is inconclusive.
- Abstract（参考訳）: 非パラメトリックなフレームワークであるベイズ融合林を開発し、ランダム化試験と実世界のデータを組み合わせることにより、生存結果に不均一な処理効果を推定する。
このフレームワークは、処理効果が2つのソースをまたいで移動すると仮定することで、現実世界のデータに対する未確立の仮定を緩和する。
本手法は,データ融合に対して,左右の知覚結果と間隔の覚醒結果を開放する。
本研究は, 故障時間の短縮による生存時間を, 共有基線予後, ソース固有偏差, 治療効果, 共起関数にモデル化する。
共起関数は、実世界のデータの共起バイアスを吸収する。
各コンポーネントは、事前にベイズツリーアンサンブルを受け取る。
共通のベースラインの予後はソース間の強度を借り、偏差はソース間の不均一性を捉える。
階層的なディリクレ過程の混合は、誤差分布を非パラメトリックにモデル化する。
シミュレーション研究は、様々なレベルの不均一性とソース間の不均一性に対して、試行のみの分析よりも効率が向上することを示した。
HIVに対する抗レトロウイルス療法の併用効果を評価するため,ACTG 175 臨床試験と Multicenter AIDS Cohort Study を併用した。
融合は、ほぼすべての患者にとっての利益を識別するが、治験だけでは決定的ではない。
関連論文リスト
- Testing Effect Homogeneity and Confounding in High-Dimensional Experimental and Observational Studies [0.552480439325792]
本研究では, 条件付き平均処理効果(CATE)の均一性をテストするためのフレームワークを提案する。
提案手法は複数のランダム化試行を利用して, 治療効果が, 試験によって異なる不均一性と異なるかどうかを評価する。
論文 参考訳（メタデータ） (2026-02-23T10:52:39Z) - Targeted Data Fusion for Causal Survival Analysis Under Distribution Shift [46.84912148188679]
複数のデータソースにまたがる因果推論は、科学的発見の一般化性と複製性を高めるための有望な道を提供する。
既存のアプローチでは、検閲や離散的かつ連続的な時間の統合など、生存分析のユニークな課題に対処できない。
マルチソース設定におけるターゲットサイト固有の因果効果を推定する2つの新しい手法を提案する。
論文 参考訳（メタデータ） (2025-01-30T23:21:25Z) - A Bayesian Classification Trees Approach to Treatment Effect Variation with Noncompliance [0.5356944479760104]
非準拠のランダム化試験における様々な治療効果を推定することは本質的に困難である。
既存の柔軟な機械学習手法は、弱い楽器の問題に非常に敏感である。
非準拠シナリオにおける二値応答変数に対するベイジアン因果フォレストモデルを提案する。
論文 参考訳（メタデータ） (2024-08-14T18:33:55Z) - Collaborative Heterogeneous Causal Inference Beyond Meta-analysis [68.4474531911361]
異種データを用いた因果推論のための協調的逆確率スコア推定器を提案する。
異質性の増加に伴うメタアナリシスに基づく手法に対して,本手法は有意な改善を示した。
論文 参考訳（メタデータ） (2024-04-24T09:04:36Z) - Treatment Effect Risk: Bounds and Inference [58.442274475425144]
平均的な治療効果は社会福祉の変化を測定するため、たとえ肯定的であっても、人口の約10%に悪影響を及ぼすリスクがある。
本稿では,ICT分布のリスク条件値(CVaR)として定式化されたこの重要なリスク尺度をどう評価するかを検討する。
いくつかの境界は、複素CATE関数を単一の計量に要約したものと解釈することもでき、有界であることとは無関係に興味を持つ。
論文 参考訳（メタデータ） (2022-01-15T17:21:26Z) - 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) - SurvITE: Learning Heterogeneous Treatment Effects from Time-to-Event
Data [83.50281440043241]
時系列データから不均一な処理効果を推定する問題について検討する。
本稿では,バランス表現に基づく治療特異的ハザード推定のための新しいディープラーニング手法を提案する。
論文 参考訳（メタデータ） (2021-10-26T20:13:17Z) - 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) - Estimating heterogeneous survival treatment effect in observational data
using machine learning [9.951103976634407]
観測データにおける不均一な処理効果を推定する方法は, 連続的あるいは二分的な結果に大きく焦点を絞っている。
対物的フレームワークで柔軟な機械学習手法を使用することは、複雑な個人特性による課題に対処するための有望なアプローチである。
論文 参考訳（メタデータ） (2020-08-17T01:02:14Z) - 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。