데알못정을

[1] Vincent, Jean-Louis, and Daniel De Backer. "Circulatory shock." New England Journal of Medicine 369.18 (2013): 1726-1734. [2] Smith, Nicholas, Richard A. Lopez, and Michael Silberman. "Distributive shock." (2017).[3] Kosaraju, Ateet, Venkata Satish Pendela, and Ofek Hai. "Cardiogenic shock." Statpearls [internet]. StatPearls Publishing, 2023. [4] Taghavi, Sharven, Aussama K. Nassar, and Reza..

! 개인 연구 미팅 준비하면서 정리한 내용으로, 의식의 흐름 전개가 있을 수 있음 ! Potential outcome은 Rubin의 Potential Outcome Framework에서 나온 개념이다. 이 개념은 한 사람에게 가능한 모든 treatment 시나리오에 따른 결과를 말한다. 가령 어떤 치료가 있을 때 Y(1)은 치료를 받았을 때의 potential outcome이고, Y(0)은 치료를 받지 않았을 때의 potential outcome이다.Observational data에서는 두 potential outcome 중 단 하나만 관측이 가능하다. 이 경우 potential outcome 중 실제로 관측되지 않은 것을 counterfactual outcome이라 한다. 가령 어떤 환자가 실제로 치..

Balanced Representation in Causal Machine Learning- 개념Balanced representation은 인과 추론(causal inference) 또는 counterfactual prediction 분야에서 사용하는 개념으로,처치(treatment)와 비처치(control) 그룹 간 confounding bias를 줄이기 위해 학습된 표현 공간(latent space)을 의미쉽게 말하면:처치 여부와 관계없이 비슷한 환자들이 비슷한 표현(embedding)을 갖도록 만드는 것.- 배경인과 추론에서 큰 문제는 confounding예: 건강한 사람은 치료를 안 받고, 아픈 사람은 치료를 받는다면 → 치료 효과 자체를 구분하기 어려움Randomized trial이 아니라면 ..

Introduction많은 응용 분야에서, 우리는 treatment의 인과 효과에 대한 추론을 그려내는데 데이터를 사용하고 싶다. 예를 들어 건강 결과들에 약물이 미치는 영향에 대한 의학 연구나 광고나 마케팅이 고객 구매에 미치는 영향, 또 정부 프로그램, 공공 정책의 효과성 평가 같은 것들이 있다. 기술 회사에서 자주 사용되는 A/B test 또한 예시 중 하나이다. 역사적으로, 데이터셋이 너무 작아서 샘플을 몇 개의 하위 그룹으로 나누는 것 이상으로 치료 효과의 이질성을 탐색하기에는 부족했다. 여기서 말하는 치료 효과의 이질성 (heterogenity of treatment effects)란 같은 treatment 라도, 사람에 따라 효과가 다르게 나타나는 성질로, 단순히 남/녀, 젊은/나이 든 사람..

Introduction의료 의사결정은 서로 다른 치료를 적용한 후 시간에 따라 변화하는 개별 환자의 건강 결과에 대한 정확한 지식을 필요로한다. 이는 궁극적으로 치료 계획의 선택에 정보를 제공하며, 개별 환자에 맞춘 효과적인 치료 제공을 가능하게 한다.전통적으로, randomized controlled trials (RCT)가 치료 효과 추정의 gold standard이지만, 이는 비현실적이며, 비윤리적이다. 이를 해결하기 위해 EHR 데이터와 같은 observational data로부터 치료 효과를 추정하고자하는 관심이 늘어나고 있다.통계 모델이나 머신러닝의 경우 시간이 지남에 따라 변하는 교란 요인을 통제하지 못해 종종 예측에 일반화 오류가 있거나 편향이 존재한다. 이러한 지점을 공략하기 위해 최근에..

본 포스팅은  Feuerriegel, Stefan, et al. "Causal machine learning for predicting treatment outcomes." Nature Medicine 30.4 (2024): 958-968.를 읽고 정리한 글임을 밝힙니다. causal ML in medicine은 치료로 인한 환자 결과의 변화와 같은 인과 관계를 예측하는 것을 목표로 한다. causal ML은 RCT(Randomized Controlled Trials)를 통해 얻은 실험 데이터와 임상 등록, 전자 건강 기록 및 기타 RWD(Real-World Data) 소스에서 얻은 관찰 데이터를 모두 사용하여 치료 효과를 추정하고 임상적 증거를 생성하는 데 사용될 수 있다.causal ML의 핵심 강점..