論文の概要: Targeted Active Learning for Preference-Based Treatment Effects on Multivariate Outcomes

• arxiv url: http://arxiv.org/abs/2610.03824v1
• Date: Fri, 02 Oct 2026 08:31:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 05:00:29.811586
• Title: Targeted Active Learning for Preference-Based Treatment Effects on Multivariate Outcomes
• Title（参考訳）: 多変量結果に対する優先的治療効果のためのターゲット型アクティブラーニング
• Abstract要約: 結果プロファイルよりも優先ルールが与えられると、治療効果と最適ポリシーが定義され、推定される。 本稿では,クエリとの比較を選択するアクティブラーニングフレームワークを提案する。 我々の基準は、同等のクエリ予算において、既存の基準よりも治療効果推定誤差が低く、政策後悔が低いことを達成している。
• 参考スコア（独自算出の注目度）: 9.17655286354138
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Treatment efficacy is traditionally demonstrated on the basis of a single primary outcome. However, clinical decision-making usually requires consideration of multiple outcomes, balancing expected benefits against potential risks. The relative value assigned to these outcomes varies substantially from one patient to another. Given a preference rule over outcome profiles, treatment effects and optimal policies can be defined and estimated. Such a rule is rarely available in practice: it must itself be estimated from pairwise comparisons of outcome profiles, which are costly to collect from clinical experts. We propose an active learning framework that selects which comparisons to query. Standard criteria maximize the information gained on the preference rule itself. We instead target the quantities of interest, and select the query that most reduces uncertainty on the treatment effect and on the optimal policy induced by the learned rule. Under a Gaussian process model of the preference rule, we derive a closed-form approximation of this criterion. On semi-synthetic data built from a Parkinson's disease cohort with 13 clinical outcomes, our criterion achieves lower treatment effect estimation error and lower policy regret than existing criteria at equal query budget.
• Abstract（参考訳）: 治療効果は、伝統的に1つの一次結果に基づいて示される。 しかし、臨床的な意思決定は通常、複数の結果について考慮し、潜在的なリスクに対して期待される利益のバランスをとる必要がある。 これらの結果に割り当てられた相対値は、患者によって大きく異なる。 結果プロファイルよりも優先ルールが与えられると、治療効果と最適ポリシーが定義され、推定される。 このようなルールは実際はまれであり、臨床の専門家から収集するのにコストがかかる結果プロファイルのペア比較からそれ自身を見積もる必要がある。 本稿では,クエリとの比較を選択するアクティブラーニングフレームワークを提案する。 基準基準は、優先規則自体で得られる情報を最大化する。 その代わりに、関心の量をターゲットにして、処理効果や学習ルールによって引き起こされる最適なポリシーに対する不確実性を最も少なくするクエリを選択する。 選好規則のガウス過程モデルの下では、この基準の閉形式近似を導出する。 パーキンソン病コホートから作成した半合成データに13の臨床的結果を得た結果, 治療効果推定誤差と政策後悔度は, 同等の照会予算における既定基準よりも低い結果を得た。

関連論文リスト

• 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)
• Towards Regulatory-Confirmed Adaptive Clinical Trials: Machine Learning Opportunities and Solutions [59.28853595868749]
  本研究は,全人口と低給付人口の規制制約と治療方針値を統合した将来の臨床試験の新たな2つの目的を紹介する。 我々は、第III相臨床試験を設計するための新しい枠組みであるRFAN(Randomize First Augment Next)を定式化する。 我々のフレームワークは、標準的なランダム化コンポーネントと適応コンポーネントから構成されており、臨床試験中に患者を効率よく安全に獲得し、患者を治療アームに割り当てることを目的としている。
  論文  参考訳（メタデータ） (2025-03-12T10:17:54Z)
• 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)
• Policy Learning with Distributional Welfare [1.0742675209112622]
  治療選択に関する文献の多くは、条件平均治療効果(ATE)に基づく実用的福祉を考慮したものである。 本稿では,個別処理効果(QoTE)の条件量子化に基づく処理を最適に割り当てる政策を提案する。
  論文  参考訳（メタデータ） (2023-11-27T14:51:30Z)
• In Search of Insights, Not Magic Bullets: Towards Demystification of the Model Selection Dilemma in Heterogeneous Treatment Effect Estimation [92.51773744318119]
  本稿では,異なるモデル選択基準の長所と短所を実験的に検討する。 選択戦略,候補推定器,比較に用いるデータの間には,複雑な相互作用があることを強調した。
  論文  参考訳（メタデータ） (2023-02-06T16:55:37Z)
• Robust and Agnostic Learning of Conditional Distributional Treatment Effects [44.31792000298105]
  問題クラスに対する条件付きDTE(Conditional DTE)を学習するための、新しい堅牢でモデルに依存しない方法論を提供する。 本手法は回帰モデルクラスにCDTEの最良のプロジェクションを提供することができるため,モデルに依存しない。 シミュレーションにおける提案手法の挙動と,富に対する401(k)の適格性の影響を事例として検討した。
  論文  参考訳（メタデータ） (2022-05-23T17:40:31Z)
• Evaluating Treatment Prioritization Rules via Rank-Weighted Average Treatment Effects [24.258855352542096]
  本稿では,治療優先化ルールの質を比較し,検証するための簡易かつ一般的な指標として,ランク重み付き平均治療効果指標を提案する。 RATEメトリクスは、優先順位付けルールの導出方法に非依存であり、治療から最も恩恵を受ける個人をどの程度正確に識別するかのみを評価する。 我々は脳卒中患者に対するアスピリンの最適標的を含む多くの応用の文脈でRATEを紹介した。
  論文  参考訳（メタデータ） (2021-11-15T18:22:35Z)
• CAPITAL: Optimal Subgroup Identification via Constrained Policy Tree Search [10.961093227672398]
  臨床的に有意義なサブグループ学習アプローチでは、より良い治療の恩恵を受けることができる患者の最大数を特定する必要がある。 選択した患者数を最大化する最適サブグループ選択規則(SSR)を提案する。 解析可能な決定木クラスの中で最適なSSRを求めるために,ConstrAined PolIcy Tree seArch aLgorithmを提案する。
  論文  参考訳（メタデータ） (2021-10-11T22:41:07Z)
• Median Optimal Treatment Regimes [7.241149193573696]
  コンディショナーが治療中よりも高い個人を治療する新しいメディアン最適治療体制を提案します。 これにより、同じグループの個人に対する最適な決定が、グループのごく一部に過度に影響されないことが保証される。 本稿では,政策の全体的中央値処理結果を要約した新しい評価尺度ACME(Average Conditional Median Effect)を紹介する。
  論文  参考訳（メタデータ） (2021-03-02T15:26:20Z)
• 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)

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。