Fugu-MT 論文翻訳(概要): Personalized and Reliable Decision Sets: Enhancing Interpretability in Clinical Decision Support Systems

論文の概要: Personalized and Reliable Decision Sets: Enhancing Interpretability in Clinical Decision Support Systems

arxiv url: http://arxiv.org/abs/2107.07483v1
Date: Thu, 15 Jul 2021 17:36:24 GMT
ステータス: 処理完了
システム内更新日: 2021-07-16 13:48:23.518848
Title: Personalized and Reliable Decision Sets: Enhancing Interpretability in Clinical Decision Support Systems
Title（参考訳）: パーソナライズされた信頼性の高い意思決定セット:臨床診断支援システムにおける解釈可能性の向上
Authors: Francisco Valente, Sim\~ao Paredes, Jorge Henriques
Abstract要約: このシステムは、意思決定ルールセットと、グローバルおよびローカルな解釈可能性を提供する機械学習スキームを組み合わせる。個々の予測の信頼性分析も対処され、さらにパーソナライズされた解釈可能性に寄与する。
参考スコア（独自算出の注目度）: 0.08594140167290096
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this study, we present a novel clinical decision support system and discuss its interpretability-related properties. It combines a decision set of rules with a machine learning scheme to offer global and local interpretability. More specifically, machine learning is used to predict the likelihood of each of those rules to be correct for a particular patient, which may also contribute to better predictive performances. Moreover, the reliability analysis of individual predictions is also addressed, contributing to further personalized interpretability. The combination of these several elements may be crucial to obtain the clinical stakeholders' trust, leading to a better assessment of patients' conditions and improvement of the physicians' decision-making.
Abstract（参考訳）: 本研究では,新しい臨床診断支援システムを提案し,その解釈可能性に関する特性について論じる。ルールの決定セットと機械学習スキームを組み合わせることで、グローバルおよびローカルな解釈性を提供する。より具体的には、機械学習は特定の患者に対して正しいルールの確率を予測するために使用され、それによって予測性能が向上する可能性がある。さらに、個々の予測の信頼性分析にも取り組み、さらにパーソナライズされた解釈可能性に寄与する。これらのいくつかの要素の組み合わせは臨床利害関係者の信頼を得るのに不可欠であり、患者の状態のより良い評価と医師の意思決定の改善に繋がる。

関連論文リスト

A machine learning framework for interpretable predictions in patient pathways: The case of predicting ICU admission for patients with symptoms of sepsis [3.5280004326441365]
PatWay-Netは、敗血症患者の集中治療室への入院の予測を解釈するために設計されたMLフレームワークである。本稿では,新しいタイプのリカレントニューラルネットワークを提案し,それを多層パーセプトロンと組み合わせて患者経路を処理する。我々は、患者の健康状態、予測結果、関連するリスクを視覚化する包括的ダッシュボードを通じて、その実用性を実証する。
論文参考訳（メタデータ） (2024-05-21T20:31:42Z)
Explainable AI for clinical risk prediction: a survey of concepts, methods, and modalities [2.9404725327650767]
臨床リスク予測のための説明可能なモデルの開発状況外部検証の必要性と多様な解釈可能性メソッドの組み合わせを強調している。臨床リスク予測における説明可能性へのエンドツーエンドアプローチは成功に不可欠である。
論文参考訳（メタデータ） (2023-08-16T14:51:51Z)
Assisting clinical practice with fuzzy probabilistic decision trees [2.0999441362198907]
本研究では,確率木とファジィ論理を組み合わせて臨床実習を支援する新しい手法であるFPTを提案する。 FPTとその予測は、この目的のために特別に設計されたユーザフレンドリーなインターフェースを用いて、直感的に臨床実践を支援することができることを示す。
論文参考訳（メタデータ） (2023-04-16T14:05:16Z)
Informing clinical assessment by contextualizing post-hoc explanations of risk prediction models in type-2 diabetes [50.8044927215346]
本研究は, 合併症リスク予測のシナリオを考察し, 患者の臨床状態に関する文脈に焦点を当てる。我々は、リスク予測モデル推論に関する文脈を提示し、その受容性を評価するために、最先端のLLMをいくつか採用する。本論文は,実世界における臨床症例における文脈説明の有効性と有用性を明らかにする最初のエンドツーエンド分析の1つである。
論文参考訳（メタデータ） (2023-02-11T18:07:11Z)
This Patient Looks Like That Patient: Prototypical Networks for Interpretable Diagnosis Prediction from Clinical Text [56.32427751440426]
臨床実践においては、そのようなモデルは正確であるだけでなく、医師に解釈可能で有益な結果を与える必要がある。本稿では,プロトタイプネットワークに基づく新しい手法であるProtoPatientを紹介する。利用可能な2つの臨床データセット上でモデルを評価し、既存のベースラインよりも優れていることを示す。
論文参考訳（メタデータ） (2022-10-16T10:12:07Z)
POETREE: Interpretable Policy Learning with Adaptive Decision Trees [78.6363825307044]
POETREEは、ポリシー学習を解釈するための新しいフレームワークである。患者の観察と医療史に基づいて、医師の行動を決定する確率的ツリーポリシーを構築する。これは、リアルおよび合成医療データセットの最先端を上回ります。
論文参考訳（メタデータ） (2022-03-15T16:50:52Z)
COVID-Net Clinical ICU: Enhanced Prediction of ICU Admission for COVID-19 Patients via Explainability and Trust Quantification [71.80459780697956]
患者臨床データに基づくICU入院予測のためのニューラルネットワークであるCOVID-Net Clinical ICUを紹介する。提案されたCOVID-Net Clinical ICUは、1,925人のCOVID-19患者からなるシロ・リバネ病院の臨床データセットを使用して構築された。定量的説明可能性戦略を用いたシステムレベルの洞察発見を行い,異なる臨床特徴の意思決定効果について検討した。
論文参考訳（メタデータ） (2021-09-14T14:16:32Z)
Improving the compromise between accuracy, interpretability and personalization of rule-based machine learning in medical problems [0.08594140167290096]
特定の患者に対してルールが正しいか否かを予測するための新しいコンポーネントを導入し、その手順にパーソナライズを導入する。 3つの公開臨床データセットを用いた検証結果から,選択したルールセットの予測性能の向上も可能であることが示された。
論文参考訳（メタデータ） (2021-06-15T01:19:04Z)
Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
論文参考訳（メタデータ） (2021-02-08T10:26:44Z)
Opportunities of a Machine Learning-based Decision Support System for Stroke Rehabilitation Assessment [64.52563354823711]
リハビリテーションアセスメントは、患者の適切な介入を決定するために重要である。現在の評価の実践は、主にセラピストの経験に依存しており、セラピストの可用性が限られているため、アセスメントは頻繁に実施される。我々は、強化学習を用いて評価の健全な特徴を識別できるインテリジェントな意思決定支援システムを開発した。
論文参考訳（メタデータ） (2020-02-27T17:04:07Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。