論文の概要: Artificial intelligence surrogates for treatment effect estimation with before-and-after data

• arxiv url: http://arxiv.org/abs/2609.27180v1
• Date: Wed, 23 Sep 2026 00:34:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.808603
• Title: Artificial intelligence surrogates for treatment effect estimation with before-and-after data
• Title（参考訳）: 人工知能による前・後処理データによる治療効果推定
• Abstract要約: 臨床的に重要な結果が長期の経過観察にコストがかかる場合、治療の因果効果を推定することは困難である。 短期または安価なサロゲートの結果は潜在的な代替手段を提供するが、サロゲートバイオマーカーは利用できないか、特定が困難である。 人工知能の進歩により、安価で高次元の測定による臨床結果の正確な予測が可能になった。
• 参考スコア（独自算出の注目度）: 2.4601357674164572
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Estimating the causal effects of medical treatments is difficult when clinically important outcomes are costly to measure or require long follow-up. Short-term or inexpensive surrogate outcomes offer a potential alternative, but surrogate biomarkers may be unavailable or difficult to identify. Advances in artificial intelligence (AI) have enabled increasingly accurate prediction of clinical outcomes from inexpensive, high-dimensional measurements, which creates an opportunity to use AI predictions themselves as surrogates. To this end, we develop a framework for estimating treatment effects from paired measurements obtained before and after treatment for each treated individual. A pretrained AI model is applied to the before and after measurements, and our estimator compares the resulting outcome predictions. We characterize the technical assumptions under which this within-person contrast identifies the average treatment effect on the treated, even when clinical outcomes are never observed for treated individuals. When these assumptions cannot be justified, we use prediction-powered inference to correct bias using a small number of observed clinical outcomes and obtain valid inference. Synthetic and real-world cardio-oncology experiments demonstrate the validity and accuracy of the approach.
• Abstract（参考訳）: 臨床的に重要な結果が長期の経過観察にコストがかかる場合、治療の因果効果を推定することは困難である。 短期または安価なサロゲートの結果は潜在的な代替手段を提供するが、サロゲートバイオマーカーは利用できないか、特定が困難である。 人工知能(AI)の進歩により、安価で高次元の測定結果から、より正確な臨床結果の予測が可能になった。 そこで本研究では, 治療前後の対測定値から治療効果を推定する枠組みを開発した。 事前学習したAIモデルを測定前後に適用し,その結果の予測値と比較した。 本研究は,治療対象者に対して臨床結果が見つからなかった場合においても,この内的コントラストが治療に対する平均治療効果を識別する技術的仮定を特徴付けるものである。 これらの仮定を正当化できない場合、少数の臨床結果を用いて予測による推論を用いてバイアスを補正し、有効な推論を得る。 合成および実世界の心オンコロジー実験は、アプローチの妥当性と精度を実証する。

関連論文リスト

• The Framework That Survives Bad Models: Human-AI Collaboration For Clinical Trials [2.6377299508948746]
  AIをサポートリーダ(AI-SR)として使用することは、悪いモデルであっても、さまざまなモデルタイプにまたがるすべての基準を満たすため、臨床試験において最も適したアプローチである。 本手法は、信頼性の高い疾患推定を一貫して提供し、臨床治験効果の推定と結論を維持し、異なる集団に適用した場合にこれらの利点を保持する。
  論文  参考訳（メタデータ） (2025-10-08T01:40:41Z)
• SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
  セプシスは米国での院内死亡の主な原因である。 既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。 限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-24T04:47:36Z)
• 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)
• 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)
• Increasing the efficiency of randomized trial estimates via linear adjustment for a prognostic score [59.75318183140857]
  ランダム化実験による因果効果の推定は臨床研究の中心である。 歴史的借用法のほとんどは、厳格なタイプiエラー率制御を犠牲にして分散の削減を達成する。
  論文  参考訳（メタデータ） (2020-12-17T21:10:10Z)
• 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)
• Performance metrics for intervention-triggering prediction models do not reflect an expected reduction in outcomes from using the model [71.9860741092209]
  臨床研究者はしばしばリスク予測モデルの中から選択し評価する。 振り返りデータから算出される標準メトリクスは、特定の仮定の下でのみモデルユーティリティに関係します。 予測が時間を通して繰り返し配信される場合、標準メトリクスとユーティリティの関係はさらに複雑になる。
  論文  参考訳（メタデータ） (2020-06-02T16:26:49Z)
• On the role of surrogates in the efficient estimation of treatment effects with limited outcome data [43.17788100119767]
  一次利害関係にない結果のみを代理する単位にデータを組み込むことは、ATE推定の精度を高めることができる。 我々は,これらの効率向上を実現するために,ロバストなATE推定と推論手法を開発した。
  論文  参考訳（メタデータ） (2020-03-27T13:31:49Z)

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。