NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
İdeal olarak, bir hastanın ilaca tepkisi, bazı aktivitelerin performansındaki değişiklikleri ölçerek izlenebilir. Bununla birlikte, gözlemsel çalışmalarda, tedavi ("ilaç üzerine" ila "ilaç dışı") ve sonuç (etkinlikteki performans) arasında tespit edilen herhangi bir ilişki, karıştırıcılardan kaynaklanabilir. Özellikle, kişiselleştirilmiş düzeydeki nedensel çıkarımlar, döngüsel bir şekilde ortaya çıkan şaşırtıcı etkilere karşı özellikle savunmasızdır. Hızlı etkili ilaçlar için, etkiler sirkadiyen ritimler ve günlük rutinlerle karıştırılabilir. Bu karıştırıcılar için bir taşıyıcı olarak günün zamanını ve bir akıllı telefonda yakalanan performans ölçümlerini kullanarak, tedavi, günün saati ve sonuç değişkenlerini içeren nedensel grafik modellerle yayılan şartlı bağımsızlık ilişkilerini kullanan, putatif tedaviyi ve "gününün zamanı" etkilerini ayırmak için kişiselleştirilmiş bir istatistiksel yaklaşım önermektedir. Yaklaşımımız standart ve zamansal doğrusal regresyon modelleri ile uygulanan koşullu bağımsızlık testlerine dayanmaktadır. Sentetik verileri kullanarak, artık otokorelasyonun standart testleri ne zaman ve nasıl etkileyebileceğini ve zaman serisi modellemesinin (yani ARIMA ve HAC kovaryance matrix tahminators aracılığıyla sağlam regresyon) bu sorunları nasıl giderebileceğini araştırıyoruz. Özellikle, simülasyonlarımız, hastalar faaliyetlerini eşleştirilmiş bir şekilde gerçekleştirdiklerinde, pozitif otokorelasyonun standart regresyon yaklaşımı için muhafazakar sonuçlara yol açabileceğini (yani, gerçek pozitif tespitin sönmesine neden olabilir), negatif otokorelasyonun ise anti-muhafazakar davranışlara yol açabileceğini (yani, şişirilmiş yanlış pozitif tespite yol açabileceğini) göstermektedir. Öte yandan, zaman serisi yöntemlerinin benimsenmesi, iyi kontrol edilen tip I hata oranlarına yol açar. Bir Parkinson hastalığı mobil sağlık çalışmasından elde edilen verilerle metodolojimizin uygulanmasını örneklendiriyoruz.
Özgün kaynak özetini okuyun
Ideally, a patient's response to medication can be monitored by measuring changes in performance of some activity. In observational studies, however, any detected association between treatment ("on-medication" vs "off-medication") and the outcome (performance in the activity) might be due to confounders. In particular, causal inferences at the personalized level are especially vulnerable to confounding effects that arise in a cyclic fashion. For quick acting medications, effects can be confounded by circadian rhythms and daily routines. Using the time-of-the-day as a surrogate for these confounders and the performance measurements as captured on a smartphone, we propose a personalized statistical approach to disentangle putative treatment and "time-of-the-day" effects, that leverages conditional independence relations spanned by causal graphical models involving the treatment, time-of-the-day, and outcome variables. Our approach is based on conditional independence tests implemented via standard and temporal linear regression models. Using synthetic data, we investigate when and how residual autocorrelation can affect the standard tests, and how time series modeling (namely, ARIMA and robust regression via HAC covariance matrix estimators) can remedy these issues. In particular, our simulations illustrate that when patients perform their activities in a paired fashion, positive autocorrelation can lead to conservative results for the standard regression approach (i.e., lead to deflated true positive detection), whereas negative autocorrelation can lead to anticonservative behavior (i.e., lead to inflated false positive detection). The adoption of time series methods, on the other hand, leads to well controlled type I error rates. We illustrate the application of our methodology with data from a Parkinson's disease mobile health study.
Bilimsel değerlendirme
Araştırma sorusu
Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.
Yöntem ve örneklem
Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.
Temel bulgular
Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.
Sınırlılıklar
Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.
Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.