使用贝叶斯非参数方法来建立个体化治疗反应曲线,从而提升个性化决策的精度,该方法使用观测时间序列,并结合G-计算公式对连续响应进行估计。
Aug, 2016
基于电子病历的丰富性,本研究提出了一种基于多任务学习的方法来推断个性化治疗效果,使用非参数贝叶斯方法来学习治疗效果,同时提供置信度的点间可信区间,以实现精准医学,并证明该方法在早产儿干预社会计划和舒张期心脏病患者左心室辅助装置中明显优于现有技术。
Apr, 2017
提出了一种基于深度生成模型的注意力神经网络架构,对高维、纵向数据中的患者生物标志物进行建模,达到了可扩展和准确预测疾病进展的效果,同时在实际临床数据上提供了癌症进展动态的解释性见解。
Feb, 2021
本文研究了从时事件数据中推断异质性处理效应的问题,主要关注学习(离散时间)处理特定条件风险函数,并提出了一种基于平衡表示的新型深度学习方法来解决来自各种来源的协变量偏移问题。
Oct, 2021
本文提出了一种潜变量方法,用于模拟异质性治疗效果,并演示其在多个大型随机对照试验中发现个体可操作表型的能力。
Feb, 2022
本文介绍了DeepACE,一种基于深度学习的方法,旨在从医疗数据中估计平均因果效应(ACE),并提供了包括病人个体特征在内的时间变化的观测数据。实验结果表明,DeepACE在性能上达到了最先进的水平,并可生成对临床实践有意义的结果,从而实现有效的群体效应治疗建议。
Mar, 2022
研究利用后处理的特征重要性方法来评估治疗效果估计器,通过建立基准环境,从而以往未被重视的新维度来研究个性化治疗效果模型的能力,以识别影响模型预测的特征,并提供有关处理效果模型的不同类型的优缺点的新见解。
Jun, 2022
我们提出了一个可识别的深度潜变量模型,可以用于单臂试验中的治疗效果估计,并通过建模结构化的缺失模式来处理缺失的协变量观测值。通过使用分摊变分推断来学习群体特定和可识别的共享潜变量表示,我们的方法在患者配对和直接治疗效果估计方面显示出比先前方法更优的性能。
Nov, 2023
数字健康技术,如可穿戴设备,通过个性化、连续和实时监测患者,为新型疗法和个体化医疗的发展做出了贡献。本文提出了一种新颖的药理学启发的神经随机微分方程模型,可以应对从这些技术中产生的具有随机特性的数据进行分析的挑战。使用合成数据,我们证明了我们的方法在识别治疗效果和学习因果关系方面是有效的,从而实现反事实模拟。
Mar, 2024
基于医学影像的个性化医学,可以准确预测未来个体化临床疾病进展和治疗反应,对于长期、复杂、异质性的无法治愈的疾病(如多发性硬化症(MS))的医疗和药物开发具有巨大影响。本文提出了第一个用于建模疾病进展的连续时间因果框架,利用神经随机微分方程(NSDE)。该因果推断模型以患者的高维影像(MRI)和表格数据为输入,预测潜空间中不同治疗的真实和反事实进展轨迹。NSDE允许估计高置信度的个性化轨迹和治疗效果。在多中心独家数据集上进行了大量实验,该数据集包括在多个随机临床试验中获得的患者3D MRI和临床数据。我们的结果展示了第一个基于不确定性的因果深度学习(DL)模型,可以准确预测未来患者的MS残疾发展(如EDSS)和治疗效果,利用基线MRI,并且可以发现在临床试验中没有达到临床终点的患者亚组,模型对他们的治疗反应具有高置信度。
Jun, 2024