KG-TREAT: Pre-training for Treatment Effect Estimation by Synergizing Patient Data with Knowledge Graphs

要約

治療効果推定 (TEE) は、さまざまな治療が患者の転帰に及ぼす影響を判断するタスクです。
現在の TEE 手法は、限定されたラベル付きデータへの依存と、まばらで高次元の観察患者データによってもたらされる課題により、不十分です。
この課題に対処するために、我々は新しい事前トレーニングおよび微調整フレームワークである KG-TREAT を導入します。これは、大規模な患者観察データと生物医学ナレッジ グラフ (KG) を相乗させて TEE を強化します。
以前のアプローチとは異なり、KG-TREAT は二重焦点 KG を構築し、詳細な情報融合のための深い 2 レベルの注意相乗効果手法を統合し、治療と共変量および結果と共変量の関係を明確にエンコードできるようにします。
KG-TREAT には、患者データと KG の徹底的な基礎付けとコンテキスト化を確実にするための 2 つの事前トレーニング タスクも組み込まれています。
4 つの下流 TEE タスクの評価では、既存の手法に対する KG-TREAT の優位性が示され、ROC 曲線下面積 (AUC) で平均 7%、影響関数に基づく異種効果推定精度 (IF-PEHE) で 9% 向上しました。
私たちが推定した治療効果の有効性は、確立されたランダム化臨床試験結果との整合性によってさらに確認されます。

要約(オリジナル)

Treatment effect estimation (TEE) is the task of determining the impact of various treatments on patient outcomes. Current TEE methods fall short due to reliance on limited labeled data and challenges posed by sparse and high-dimensional observational patient data. To address the challenges, we introduce a novel pre-training and fine-tuning framework, KG-TREAT, which synergizes large-scale observational patient data with biomedical knowledge graphs (KGs) to enhance TEE. Unlike previous approaches, KG-TREAT constructs dual-focus KGs and integrates a deep bi-level attention synergy method for in-depth information fusion, enabling distinct encoding of treatment-covariate and outcome-covariate relationships. KG-TREAT also incorporates two pre-training tasks to ensure a thorough grounding and contextualization of patient data and KGs. Evaluation on four downstream TEE tasks shows KG-TREAT’s superiority over existing methods, with an average improvement of 7% in Area under the ROC Curve (AUC) and 9% in Influence Function-based Precision of Estimating Heterogeneous Effects (IF-PEHE). The effectiveness of our estimated treatment effects is further affirmed by alignment with established randomized clinical trial findings.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google