G-Transformer for Conditional Average Potential Outcome Estimation over Time

要約

観察データに基づいて長期にわたる治療の潜在的な結果を推定することは、医療における個別の意思決定にとって重要です。
しかし、このタスクに対する既存のニューラル手法は、(a) バイアスまたは (b) 大きな分散のいずれかの問題を抱えています。
両方の制限に対処するために、G トランス (GT) を導入します。
私たちの GT は、時間の経過に伴う条件付き平均潜在的結果 (CAPO) の不偏かつ低分散推定のために設計された、新しいニューラル エンドツーエンド モデルです。
具体的には、私たちの GT は、時変設定で CAPO に対して回帰ベースの反復 G 計算を実行する最初のニューラル モデルです。
さまざまな実験を通じて GT の有効性を評価します。
要約すると、この取り組みは、電子医療記録からの個別の意思決定に向けた重要な一歩を表しています。

要約(オリジナル)

Estimating potential outcomes for treatments over time based on observational data is important for personalized decision-making in medicine. Yet, existing neural methods for this task suffer from either (a) bias or (b) large variance. In order to address both limitations, we introduce the G-transformer (GT). Our GT is a novel, neural end-to-end model designed for unbiased, low-variance estimation of conditional average potential outcomes (CAPOs) over time. Specifically, our GT is the first neural model to perform regression-based iterative G-computation for CAPOs in the time-varying setting. We evaluate the effectiveness of our GT across various experiments. In sum, this work represents a significant step towards personalized decision-making from electronic health records.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google