Inference on the minimum clinically important difference, or MCID, is an important practical problem in medicine. The basic idea is that a treatment being statistically significant may not lead to an improvement in the patients' well-being. The MCID is defined as a threshold such that, if a diagnostic measure exceeds this threshold, then the patients are more likely to notice an improvement. Typical formulations use an underspecified model, which makes a genuine Bayesian solution out of reach. Here, for a challenging personalized MCID problem, where the practically-significant threshold depends on patients' profiles, we develop a novel generalized posterior distribution, based on a working binary quantile regression model, that can be used for estimation and inference. The advantage of this formulation is two-fold: we can theoretically control the bias of the misspecified model and it has a latent variable representation which we can leverage for efficient Gibbs sampling. To ensure that the generalized Bayes inferences achieve a level of frequentist reliability, we propose a variation on the so-called generalized posterior calibration algorithm to suitably tune the spread of our proposed posterior.


翻译:关于临床上最重要的最低差别的推断是医学上一个重要的实际问题。基本的想法是,在统计上意义重大的治疗可能不会导致病人福祉的改善。对诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性分析的临界值,如果诊断性措施超过这一临界值,那么病人就更有可能观察到改进。典型的配方使用一种未详细说明的模型,使真正的巴耶斯人解决方案无法达到。对于个人化的诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性诊断性

0
下载
关闭预览

相关内容

Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium9
中国图象图形学学会CSIG
0+阅读 · 2021年12月17日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium6
中国图象图形学学会CSIG
2+阅读 · 2021年11月12日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium4
中国图象图形学学会CSIG
0+阅读 · 2021年11月10日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium2
中国图象图形学学会CSIG
0+阅读 · 2021年11月8日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium1
中国图象图形学学会CSIG
0+阅读 · 2021年11月3日
【ICIG2021】Latest News & Announcements of the Plenary Talk2
中国图象图形学学会CSIG
0+阅读 · 2021年11月2日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Arxiv
110+阅读 · 2020年2月5日
VIP会员
相关资讯
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium9
中国图象图形学学会CSIG
0+阅读 · 2021年12月17日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium6
中国图象图形学学会CSIG
2+阅读 · 2021年11月12日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium4
中国图象图形学学会CSIG
0+阅读 · 2021年11月10日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium2
中国图象图形学学会CSIG
0+阅读 · 2021年11月8日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium1
中国图象图形学学会CSIG
0+阅读 · 2021年11月3日
【ICIG2021】Latest News & Announcements of the Plenary Talk2
中国图象图形学学会CSIG
0+阅读 · 2021年11月2日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
相关基金
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Top
微信扫码咨询专知VIP会员