Conformal Prediction for Dose-Response Models with Continuous Treatments

要約

継続的な治療と個人の結果との間の用量反応関係を理解することは、特に個別化された薬物投与や個別化された医療介入などの分野で、意思決定を大きく推進することができます。
このような高リスク環境では点推定値が不十分であることが多く、情報に基づいた意思決定をサポートするために不確実性を定量化する必要性が強調されています。
不確実性を定量化するための分布フリーでモデルに依存しない方法であるコンフォーマル予測は、連続治療または用量反応モデルでの応用が限定されています。
このギャップに対処するために、我々は、重み付き等角予測を活用して、因果関係のある用量反応問題を共変量シフトとして組み立てる新しい方法論を提案します。
傾向推定、等角予測システム、尤度比を組み込むことにより、線量反応モデルの予測区間を生成するための実用的なソリューションを提案します。
さらに、私たちの方法は、加重等角予測の重みとしてカーネル関数を適用することにより、すべての処理値の局所カバレッジを近似します。
最後に、新しい合成ベンチマーク データセットを使用して、用量反応モデルの堅牢な予測間隔を達成する際の共変量シフト仮定の重要性を実証します。

要約(オリジナル)

Understanding the dose-response relation between a continuous treatment and the outcome for an individual can greatly drive decision-making, particularly in areas like personalized drug dosing and personalized healthcare interventions. Point estimates are often insufficient in these high-risk environments, highlighting the need for uncertainty quantification to support informed decisions. Conformal prediction, a distribution-free and model-agnostic method for uncertainty quantification, has seen limited application in continuous treatments or dose-response models. To address this gap, we propose a novel methodology that frames the causal dose-response problem as a covariate shift, leveraging weighted conformal prediction. By incorporating propensity estimation, conformal predictive systems, and likelihood ratios, we present a practical solution for generating prediction intervals for dose-response models. Additionally, our method approximates local coverage for every treatment value by applying kernel functions as weights in weighted conformal prediction. Finally, we use a new synthetic benchmark dataset to demonstrate the significance of covariate shift assumptions in achieving robust prediction intervals for dose-response models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google