論文の概要: Learning Who Benefits Most: Multi-Treatment Causal Ranking for Population Health Stratification

• arxiv url: http://arxiv.org/abs/2610.19782v1
• Date: Wed, 14 Oct 2026 08:31:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:16.036891
• Title: Learning Who Benefits Most: Multi-Treatment Causal Ranking for Population Health Stratification
• Title（参考訳）: 最も恩恵を受ける学習者:人口健康成層のための多段階因果ランク付け
• Abstract要約: 本稿では,多処理因数ランキング問題として人口健康成層を定式化するPrometheusを提案する。 その目的は, 完全校正された個別治療効果推定値を得るのではなく, 段階的利益が期待できる患者治療機会を発注することである。 治療は共同で学習され、患者やケアのプロフィールに匹敵するランキングを得られる。
• 参考スコア（独自算出の注目度）: 8.198354824362406
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Population health stratification frameworks, such as the Italian DM77, organize patients by clinical need and care pathways but offer limited guidance on which care changes to prioritize under constrained resources. We present PROMETHEUS (Proactive Resource Optimization through Multi-treatment Effect-based Targeting in Healthcare Environments Using Stratification), a framework that formulates population health stratification as a multi-treatment causal ranking problem. Its objective is to order eligible patient-treatment opportunities by expected incremental benefit rather than obtain perfectly calibrated individual treatment-effect estimates. Each clinically admissible care intensification is compared with maintaining the patient's current pathway. Treatments are learned jointly to produce a globally comparable ranking across patients and care profiles, within domains sharing a reference condition, outcome, follow-up horizon, and benefit scale. This separates clinical need, treatment benefit, and resource-constrained allocation. PROMETHEUS combines doubly robust causal signals with a Siamese neural ranking model and contrastive representation pretraining. The shared representation captures similarities across care transitions, supporting prioritization under capacity constraints. Synthetic experiments and semi-synthetic experiments using real administrative covariates from ASL Benevento evaluate ranking quality, allocation value, robustness, and failure modes. The results support the framework's ability to recover generated benefit orderings and prioritize care opportunities in the evaluated settings. PROMETHEUS provides a preclinical approach to actionable stratification; validation with observed treatment-outcome data is required before clinical use.
• Abstract（参考訳）: イタリアDM77のような人口健康層化フレームワークは、臨床ニーズやケア経路によって患者を組織するが、制限されたリソース下でのケア変更を優先するための限定的なガイダンスを提供する。 ProMETHEUS (Proactive Resource Optimization through Multi-treatment Effect-based Targeting in Healthcare Environments Using Stratification) は、多処理因数ランキング問題として人口健康成層を定式化する枠組みである。 その目的は, 完全校正された個別治療効果推定値を得るのではなく, 段階的利益が期待できる患者治療機会を発注することである。 各臨床的に許容されるケア強化は、患者の現在の経路を維持することと比較される。 治療は、参照条件、結果、フォローアップ地平線、利益スケールを共有する領域内において、患者とケアプロファイルに匹敵する同等のランキングを生成するために、共同で学習される。 これにより、臨床ニーズ、治療効果、リソース制約の割り当てが分離される。 PROMETHEUSは、二重に頑健な因果信号と、シームズニューラルネットワークのランキングモデルと、対照的な表現事前訓練を組み合わせている。 共有表現は、キャパシティ制約の下で優先順位付けをサポートする、ケアトランジション間の類似性をキャプチャする。 ASL Beneventoの実際の管理共変体を用いた合成実験と半合成実験は、ランキング品質、アロケーション値、ロバスト性、障害モードを評価した。 結果は、フレームワークが生成した利益の順序を回復し、評価された設定におけるケアの機会を優先順位付けする能力をサポートする。 PROMETHEUSは、行動可能な成層への先駆的なアプローチを提供しており、臨床使用の前には、観察された治療成果データによる検証が必要である。

関連論文リスト

• PREBA: Surgical Duration Prediction via PCA-Weighted Retrieval-Augmented LLMs and Bayesian Averaging Aggregation [51.96735866702332]
  PreBAはPCA重み付き検索とベイズ平均アグリゲーションを統合した検索拡張フレームワークである。 例えば、PreBAはパフォーマンスを大幅に改善し、MAEを最大40%削減し、ゼロショット推論でR2を-0.13から0.62に引き上げる。
  論文  参考訳（メタデータ） (2026-02-27T07:19:23Z)
• 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)
• Deep Reinforcement Learning for Efficient and Fair Allocation of Health Care Resources [47.57108369791273]
  医療資源の枯渇は、レーションの避けられない結果をもたらす可能性がある。 医療資源割り当てプロトコルの普遍的な標準は存在しない。 本稿では,患者の疾患進行と患者間の相互作用効果を統合するためのトランスフォーマーベースのディープQネットワークを提案する。
  論文  参考訳（メタデータ） (2023-09-15T17:28:06Z)
• Optimal and Fair Encouragement Policy Evaluation and Learning [9.036025934093963]
  本研究は, 陽性の潜在的な違反を含む最適治療規則の因果同定とロバストな評価について検討した。 一般制約下でのパラメタライズされたポリシークラスを解くための2段階のアルゴリズムを開発し、分散感応的後悔境界を求める。 本研究は, SNAP給付のリマインダーデータ, 保険申請の無作為化促進, および電子監視による事前管理リリースに基づく3つのケーススタディである。
  論文  参考訳（メタデータ） (2023-09-12T20:45:30Z)
• Pruning the Way to Reliable Policies: A Multi-Objective Deep Q-Learning Approach to Critical Care [46.2482873419289]
  我々は、より信頼性の高いクリティカルケアポリシーを得るための深いQ-ラーニングアプローチを導入する。 本手法を,集中治療室のシミュレーション環境と実際の健康記録を用いて,オフライン・オフ・セッティングで評価した。
  論文  参考訳（メタデータ） (2023-06-13T18:02:57Z)
• 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)
• 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)

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。