論文の概要: A Causal Inference Approach for Evaluating Diagnostic Tests and AI-Enabled Medical Devices: From Effect Modification to Information-Augmented Decision-Making

• arxiv url: http://arxiv.org/abs/2608.19501v1
• Date: Wed, 19 Aug 2026 23:37:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-21 20:28:51.416106
• Title: A Causal Inference Approach for Evaluating Diagnostic Tests and AI-Enabled Medical Devices: From Effect Modification to Information-Augmented Decision-Making
• Title（参考訳）: 診断検査とAI応用医療機器評価のための因果推論アプローチ:効果改善から情報付加型意思決定へ
• Abstract要約: 本研究では,説明的・実践的効果を識別し,診断検査評価のための因果推論手法を開発した。 本研究は, 診断試験結果へのアクセスとアクセスを伴わない最適なパーソナライズされた治療規則の下で, 期待される結果との対比として実用的効果を定式化する。 このアプローチは、情報強化とパーソナライズされた意思決定最適化ツールとしての役割を区別することで、AI対応デバイスを評価するための因果推論の視点を提供する。
• 参考スコア（独自算出の注目度）: 0.2531911952904173
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Diagnostic medical tests and devices provide useful information for evaluating the potential benefits and risks of therapeutic treatments. However, unlike treatments, their impact on health outcomes is generally indirect because measuring diagnostic information typically does not itself affect patient outcomes, which complicates evaluation of their effectiveness. In this work, we develop a causal inference approach for evaluating diagnostic tests by distinguishing explanatory and pragmatic effectiveness. Explanatory effectiveness evaluates whether a diagnostic test result provides treatment-relevant information beyond baseline covariates by explaining additional treatment-effect heterogeneity, which we characterize using a variance-based treatment-effect variable importance measure. Pragmatic effectiveness evaluates whether incorporating this information into personalized treatment decisions improves expected outcomes, a question central to decision-making for patients, clinicians, and other health care stakeholders. We formalize pragmatic effectiveness as a contrast between expected outcomes under optimal personalized treatment rules defined with and without access to the diagnostic test result. We establish identification of the proposed estimand and provide Targeted Maximum Likelihood Estimation (TMLE) and cross-validated TMLE procedures for nonparametric estimation and inference. Simulation studies and a synthetic colorectal cancer application illustrate the proposed estimands and estimation performance. More broadly, this approach provides a causal inference perspective for evaluating AI-enabled devices by distinguishing their dual roles as information-enrichment and personalized decision-optimization tools, clarifying whether AI improves outcomes by expanding information for downstream decisions, improving the decision rule used to act on that information, or through both pathways.
• Abstract（参考訳）: 診断医療検査および装置は、治療の潜在的利益とリスクを評価するのに有用な情報を提供する。 しかしながら、治療と異なり、診断情報の計測が患者の結果に影響を与えないため、その効果の評価が複雑になるため、その影響は一般的に間接的である。 本研究では,説明的および実践的効果を識別し,診断検査を評価するための因果推論手法を開発する。 説明的有効性は, 診断結果がベースライン共変量を超えた治療関連情報を提供するか否かを, 差分に基づく治療効果変数の重要度尺度を用いて解析し, 追加的な治療効果不均一性を説明することによって評価する。 実用的有効性は、この情報をパーソナライズされた治療決定に組み込むことが、患者、臨床医、その他の医療関係者の意思決定の中心となる、期待される結果を改善するかどうかを評価する。 本研究は, 診断試験結果へのアクセスとアクセスを伴わない最適なパーソナライズされた治療規則の下で, 期待される結果との対比として実用的効果を定式化する。 提案した推定値の同定を行い,非パラメトリック推定と推定のためのTMLE(Targeted Maximum Likelihood Estimation)とクロスバリデーションTMLE(Cross-validated TMLE)の手順を提供する。 シミュレーション研究と合成大腸癌応用は,提案した推定値と推定性能を示す。 より広範に、このアプローチは、情報豊かさとパーソナライズされた意思決定最適化ツールとしての2つの役割を区別し、ダウンストリーム決定のための情報を拡張し、その情報に作用する決定ルールを改善することで、AIが結果を改善するかどうかを明確にすることで、AI対応デバイスを評価するための因果推論の視点を提供する。

関連論文リスト

• Towards Dys-XAI: Influence-Based Explanations for Dysarthria Severity Assessment [15.648988438396614]
  難治性重度評価は治療計画と縦断的モニタリングに不可欠であるが,手動による知覚評価は臨床医の時間的・変動性が高い。 本稿では,支援的および競合的なトレーニングサンプルを通じて各決定を説明する,インフルエンスベースの,インスタンスレベルの説明可能性フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-19T10:38:00Z)
• A Causal Machine Learning Framework for Treatment Personalization in Clinical Trials: Application to Ulcerative Colitis [0.7799711162530713]
  本稿では,各質問を個別に評価するモジュール型因果機械学習フレームワークを提案する。 潰瘍性大腸炎に対する metekinumab の UNIFI 維持試験から得られた患者レベルデータに本枠組みを適用した。
  論文  参考訳（メタデータ） (2026-02-09T00:26:30Z)
• Uncertainty-aware abstention in medical diagnosis based on medical texts [87.88110503208016]
  本研究は,AI支援医療診断における信頼性の重要課題について論じる。 本研究は,診断に自信がなければ,診断システムによる意思決定の回避を可能にする選択予測手法に焦点をあてる。 我々は、選択予測タスクにおける信頼性を高めるための新しい最先端手法であるHUQ-2を紹介する。
  論文  参考訳（メタデータ） (2025-02-25T10:15:21Z)
• Improving Image-Based Precision Medicine with Uncertainty-Aware Causal Models [3.5770353345663053]
  ベイジアンディープラーニング(英語版)を用いて、いくつかの治療における現実的および対実的な結果に対する後部分布を推定する。 本モデルを用いて,多発性硬化症患者のMR脳画像の多施設データセットを用いて,今後新たなT2病変数を予測し,評価する。
  論文  参考訳（メタデータ） (2023-05-05T20:08:40Z)
• SPeC: A Soft Prompt-Based Calibration on Performance Variability of Large Language Model in Clinical Notes Summarization [50.01382938451978]
  本稿では,ソフトプロンプトを用いたモデルに依存しないパイプラインを導入し,確率に基づく要約の利点を保ちながら分散を減少させる。 実験結果から,本手法は性能を向上するだけでなく,様々な言語モデルの分散を効果的に抑制することが明らかとなった。
  論文  参考訳（メタデータ） (2023-03-23T04:47:46Z)
• Benchmarking Heterogeneous Treatment Effect Models through the Lens of Interpretability [82.29775890542967]
  治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。 ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。 我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
  論文  参考訳（メタデータ） (2022-06-16T17:59:05Z)
• Stochastic Intervention for Causal Inference via Reinforcement Learning [7.015556609676951]
  因果推論の中心は介入戦略の処理効果推定である。 既存の方法はほとんどが決定論的治療に限られており、異なる治療下での結果を比較する。 介入に対する治療効果を推定するための新しい効果的な枠組みを提案する。
  論文  参考訳（メタデータ） (2021-05-28T00:11:22Z)
• Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
  臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。 退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。 複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
  論文  参考訳（メタデータ） (2021-02-08T10:26:44Z)
• Interpretable Off-Policy Evaluation in Reinforcement Learning by Highlighting Influential Transitions [48.91284724066349]
  強化学習におけるオフ政治評価は、医療や教育などの領域における将来の成果を改善するために観察データを使用する機会を提供する。 信頼区間のような従来の尺度は、ノイズ、限られたデータ、不確実性のために不十分である可能性がある。 我々は,人間専門家が政策評価評価評価の妥当性を分析できるように,ハイブリッドAIシステムとして機能する手法を開発した。
  論文  参考訳（メタデータ） (2020-02-10T00:26:43Z)
• 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。