[論文レビュー] Probabilistic Temporal Reasoning with Endogenous Change

Steve Hanks, David Madigan+1 more|arXiv (Cornell University)|Feb 20, 2013

Bayesian Modeling and Causal Inference参考文献 14被引用数 34

ひとこと要約

本論文は、医療予測を対象として、動的システムの推論に特化した確率的時系列モデルを提示する。このモデルは、外部要因（外生的）と内部要因（内生的、自己駆動型）の両方の変化を統合し、熟練医の抽出した定性的構造と確率的不確実性モデルを用い、逐次補完法により解くことで、対外的介入や自己駆動型変化を伴う時間に依存する臨床意思決定を改善する。

ABSTRACT

This paper presents a probabilistic model for reasoning about the state of a system as it changes over time, both due to exogenous and endogenous influences. Our target domain is a class of medical prediction problems that are neither so urgent as to preclude careful diagnosis nor progress so slowly as to allow arbitrary testing and treatment options. In these domains there is typically enough time to gather information about the patient's state and consider alternative diagnoses and treatments, but the temporal interaction between the timing of tests, treatments, and the course of the disease must also be considered. Our approach is to elicit a qualitative structural model of the patient from a human expert---the model identifies important attributes, the way in which exogenous changes affect attribute values, and the way in which the patient's condition changes endogenously. We then elicit probabilistic information to capture the expert's uncertainty about the effects of tests and treatments and the nature and timing of endogenous state changes. This paper describes the model in the context of a problem in treating vehicle accident trauma, and suggests a method for solving the model based on the technique of sequential imputation. A complementary goal of this work is to understand and synthesize a disparate collection of research efforts all using the name ?probabilistic temporal reasoning.? This paper analyzes related work and points out essential differences between our proposed model and other approaches in the literature.

研究の動機と目的

• 外部的介入と内部的ダイナミクスの両方が原因となる時間的変化を伴うシステムの推論の課題に対処すること。
• 検査、治療、病態進行のタイミングを統合的に考慮する必要がある医療予測問題をモデル化するフレームワークを開発すること。
• 診断、治療効果、内生的病態進行における不確実性を捉える確率的時系列モデルに熟練知識を統合すること。
• 逐次補完法を用いた手法により、連続的時間、離散的イベント、隠れ状態遷移を含む複雑な時系列推論問題を効率的に解くこと。

提案手法

• ドメイン熟練者から、外生的および内生的要因が及ぼす影響下での主要な属性とその依存関係を特定する定性的構造モデルを抽出する。
• 検査結果、治療効果、および内生的状態変化のタイミングと性質における不確実性を、確率的分布を用いてモデル化する。
• モデルの時系列的・確率的複雑性に対処するため、逐次補完法を解法技術として適用する。
• 介入と潜在的状態遷移を含む時刻付きイベントの共同確率モデルを構築する。
• 条件付き独立性の仮定を用いて推論を簡略化し、計算を効率化する。
• 確率的時系列推論の下位統合的枠組みとして、異なる手法の違いを明確にし、統一的原則を提示する。

実験結果

リサーチクエスチョン

• RQ1 確率的時系列モデルは、外生的介入と内生的システムダイナミクスの両方を効果的に表現できるか？
• RQ2 熟練者から抽出された定性的モデルは、実行可能な確率的時系列システムを構築するうえでどのような役割を果たすか？
• RQ3 検査結果、治療効果、病態進行における不確実性を、時間経過に伴って形式的に表現し、推論できるか？
• RQ4 自己駆動型の進化（内生的変化）は、外生的変化とは異なったモデル仮定を必要とするのか、どのような点で異なるか？
• RQ5 連続的時間、離散的イベント、隠れ状態遷移を組み合わせたモデルにおいて、効率的な推論はどのように実現できるか？

主な発見

• 提示されたモデルは、医療意思決定支援に適した単一の確率的フレームワークに、内生的および外生的要因を効果的に統合した。
• 逐次補完法により、潜在変数と時間依存的依存関係を有する複雑な時系列モデルにおいても、効果的な推論が可能である。
• 検査や治療のタイミングが結果に顕著に影響を与える時間に依存する医療文脈において、意思決定を支援する。
• 本手法は、従来の研究とは異なり、内生的変化を時間的進化の根幹的要因として明示的にモデル化しており、観察の副産物として扱うのではなく、中心的役割を果たす。
• 対外的介入を無視するモデルと比較して、対外的介入を考慮したモデルが、時間経過に伴う推論性能が向上することを、対外的ケアのシナリオで実証的に示した。
• 本フレームワークは、確率的時系列推論の多様な手法を統合的に捉える視点を提供し、主な差異や設計選択の本質を明確にした。