論文の概要: Distributional Balancing with Machine Learning for Clinical Trial Augmentation Using Real-World Data

• arxiv url: http://arxiv.org/abs/2609.23524v1
• Date: Sun, 20 Sep 2026 10:18:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:00.844285
• Title: Distributional Balancing with Machine Learning for Clinical Trial Augmentation Using Real-World Data
• Title（参考訳）: 実世界データを用いた臨床試験強化のための機械学習による分散バランス
• Abstract要約: そこで我々は,DBMLを提案する。DBMLは,治療群と潜在的制御群との分布を一致させて,実世界のデータベースから制御単位を選択する手法である。 提案手法は,代替のマッチングアルゴリズムと重み付きアルゴリズムと比較する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In clinical trials, randomization of treatment and control groups is typically used to ensure the groups have similar covariate distributions on average, resulting in unbiased causal effect estimation. Such balanced covariate distributions are hard to achieve in practice, however, due to recruitment costs, patient dropouts, and more. One possible solution to this problem is to include control patients from external, real world databases. In this paper, we propose DBML, a method that selects control units from a real world database by matching the distribution between the treatment group and the potential control group, instead of matching units between two groups. DBML has three steps. First, we detect anomalous database units (with respect to the treatment distribution) using a variational autoencoder. Second, we re-weight the remaining database units to match the distribution of the treatments. Finally, we use these weights to sample units for our control group. The proposed method is compared to alternative matching-based algorithms and weighted algorithms, achieving superior performance in covariate balance.
• Abstract（参考訳）: 臨床試験では、治療群と対照群のランダム化は、通常、平均的に同じ共変量分布を持つようにするために使用され、結果として因果効果が不偏である。 このようなバランスの取れた共変量分布は実際には達成が難しいが、採用コスト、患者減少などにより実現は困難である。 この問題の1つの可能な解決策は、外部の現実世界のデータベースから患者を制御することである。 本稿では,2つのグループ間での整合ではなく,処理群と潜在的制御群との分布を一致させることにより,実世界のデータベースから制御単位を選択するDBMLを提案する。 DBMLには3つのステップがある。 まず、変分オートエンコーダを用いて、異常なデータベース単位(処理分布について)を検出する。 第2に、残りのデータベースユニットを再重み付けして、治療の分布を一致させます。 最後に、これらの重みを制御グループのためのユニットのサンプリングに使用します。 提案手法は代替のマッチングアルゴリズムと重み付きアルゴリズムと比較し,共変量バランスにおいて優れた性能を実現する。

関連論文リスト

• Attention-Based Estimation of the Individual Treatment Benefit Probability under Dose Variation [0.5872014229110213]
  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。
  論文  参考訳（メタデータ） (2026-06-11T18:53:49Z)
• Project-Probe-Aggregate: Efficient Fine-Tuning for Group Robustness [61.45587642780908]
  画像テキスト基礎モデルのパラメータ効率向上のための3段階のアプローチを提案する。 本手法は, マイノリティ標本同定とロバストトレーニングアルゴリズムの2つの重要な要素を改良する。 我々の理論分析は,PPAが少数群の識別を向上し,バランスの取れたグループエラーを最小限に抑えるためにベイズが最適であることを示している。
  論文  参考訳（メタデータ） (2025-03-12T15:46:12Z)
• 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)
• Sample Constrained Treatment Effect Estimation [28.156207324508706]
  我々は,効率的なランダム化制御試験を設計することに集中し,治療の効果を正確に見積もる。 特に, サンプル制約による治療効果の推定について検討し, 実験を行うには, 集団から$s ll n$のサブセットを選択する必要がある。
  論文  参考訳（メタデータ） (2022-10-12T21:13:47Z)
• Optimal Clustering with Bandit Feedback [57.672609011609886]
  本稿では,バンディットフィードバックを用いたオンラインクラスタリングの問題点について考察する。 これは、NPハード重み付きクラスタリング問題をサブルーチンとして解決する必要性を回避するための、シーケンシャルなテストのための新しい停止規則を含む。 合成および実世界のデータセットの広範なシミュレーションを通して、BOCの性能は下界と一致し、非適応的ベースラインアルゴリズムよりも大幅に優れることを示す。
  論文  参考訳（メタデータ） (2022-02-09T06:05:05Z)
• Synthetic Design: An Optimization Approach to Experimental Design with Synthetic Controls [5.3063411515511065]
  本研究では,前処理結果データを用いた実験結果の最適設計について検討する。 平均処理効果は、処理単位の重み付き平均結果と制御単位との差として推定される。 重みと合わせて処理単位の集合を選択する方法をいくつか提案する。
  論文  参考訳（メタデータ） (2021-12-01T05:05:26Z)
• Examining and Combating Spurious Features under Distribution Shift [94.31956965507085]
  我々は、最小限の統計量という情報理論の概念を用いて、ロバストで刺激的な表現を定義し、分析する。 入力分布のバイアスしか持たない場合でも、モデルはトレーニングデータから急激な特徴を拾い上げることができることを証明しています。 分析から着想を得た結果,グループDROは,グループ同士の相関関係を直接考慮しない場合に失敗する可能性が示唆された。
  論文  参考訳（メタデータ） (2021-06-14T05:39:09Z)
• Weighting-Based Treatment Effect Estimation via Distribution Learning [14.438302755258547]
  本研究では,処理効果推定のための分布学習に基づく重み付け手法を開発した。 提案手法は,最先端の重み付けのみのベンチマーク手法よりも優れている。 2倍のロス率推定フレームワークの下では、その優位性を維持している。
  論文  参考訳（メタデータ） (2020-12-26T20:15:44Z)
• Predictive Modeling of ICU Healthcare-Associated Infections from Imbalanced Data. Using Ensembles and a Clustering-Based Undersampling Approach [55.41644538483948]
  本研究は,集中治療室における危険因子の同定と医療関連感染症の予測に焦点をあてる。 感染発生率の低減に向けた意思決定を支援することを目的とする。
  論文  参考訳（メタデータ） (2020-05-07T16:13:12Z)

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。