基于部分验证证据的治疗推荐模型的训练与验证
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
本文介绍了一种新的任务和语料库,通过全文文章描述随机对照试验 (RCT) 的方式,推断与给定干预、比较和预期结果相关的报告发现,结果表明这项任务的困难性主要归因于长篇的技术性输入文本。
Apr, 2019
该研究提出了一种基于文献摘要的新方法来预测临床试验干预措施的有效性。通过抽取摘要中表达干预措施有效性的句子,生成一个简洁的摘要,用于训练 BERT 分类器以预测干预措施的有效性。实验结果证明了该方法的有效性。
Apr, 2022
为了优化临床试验的设计,我们提出了一种新的临床试验结果预测(CTRP)任务,并利用大规模非结构化结构的医学文献中的语句隐含地包含 PICO 和结果的证据,预训练模型在下游数据集上进行微调得到更好的表现,针对 COVID-19 的另一个数据集也验证了性能提升。
Oct, 2020
本文提出了一种理论上保证的模型无关均衡方法,该方法可以针对现有的去偏差方法进行应用,以抵抗未观测到的混淆和模型错误,并通过交替校正学习偏差数据的模型参数,以自适应学习平衡系数,充分利用无偏数据。在实际应用中,该方法证明了其有效性。
Apr, 2023
推荐系统对于内容分享平台的个性化内容整理至关重要。 通过进行创作者方面的随机实验以估计治疗效应,定义为当新的(而不是现状)算法在平台上部署时,平台经常评估面向内容创作者的推荐系统更新。我们展示了标准差异估计量可能导致偏倚的治疗效应估计。这种偏倚的产生是因为推荐干扰,即在推荐系统中,受治疗群体和对照群体的创作者竞争曝光机会。我们提出了一种 “推荐选择模型”,该模型捕捉到在包含受治疗和对照内容项的池中如何选择项目。通过结合结构性选择模型和神经网络,该框架以微观基础的方式直接建模推荐干扰路径,并考虑丰富的观众 - 内容异质性。使用该模型,我们构建了一种一致且渐近正态的治疗效应的双重 / 无偏估计量。我们通过对微信短视频平台进行的一项实地实验展示了其实证表现:除了标准的创作者方面实验外,我们还进行了昂贵的阻塞性双边随机化设计以获得没有干扰偏倚的基准估计。我们展示了相对于标准差异估计量,所提出的估计量显著减少了治疗效应估计中的偏倚。
Jun, 2024
本研究提出了一种基于电子病历利用混合多变量限制玻尔兹曼机和医疗领域知识提取分组治疗方案的数据驱动框架,并以冠状动脉疾病为实际案例进行实验。结果表明,该框架有助于协助医生进行临床决策。
Jun, 2018
本文提出了一种基于 Clinical Decision Transformer(CDT)算法的医疗推荐系统,它在电子病历数据的基础上使用了上下文感知技术,通过目标提示生成一系列药物来到达所需的临床状态,避免了以往基于基础模型的推荐系统无法直接考虑缺失数据问题的弊端。
Feb, 2023
给定一个随机对照试验,从中推理因果关系可能与一些效应修饰因子不同分布的目标人群无关。我们利用一个附加的观察研究学习到的预测模型,无需对该研究做任何假设来补充试验数据,提出了能够更好地推广试验结果的算法,并以理论和实证的方式展示了当观察研究是高质量时,我们的方法能够更好地推广,即使存在未测的混杂变量等情况仍能保持稳健。
Jun, 2024