論文の概要: Monitoring machine learning (ML)-based risk prediction algorithms in the
presence of confounding medical interventions
- arxiv url: http://arxiv.org/abs/2211.09781v2
- Date: Fri, 14 Apr 2023 17:05:02 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-17 16:45:13.548468
- Title: Monitoring machine learning (ML)-based risk prediction algorithms in the
presence of confounding medical interventions
- Title（参考訳）: 医療介入の存在下での機械学習(ml)に基づくリスク予測アルゴリズムのモニタリング
- Authors: Jean Feng, Alexej Gossmann, Gene Pennello, Nicholas Petrick, Berkman
Sahiner, Romain Pirracchio
- Abstract要約: 医療における機械学習(ML)に基づくリスク予測モデルの性能モニタリングは、整合医療介入(CMI)の問題によって複雑化している。
単純なアプローチは、CMIを無視し、治療を受けていない患者のみを監視することである。
条件付き性能をモニタし、条件付き交換性や時間的選択バイアスが保たれている場合、有効な推論が可能であることを示す。
- 参考スコア（独自算出の注目度）: 4.893345190925178
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Performance monitoring of machine learning (ML)-based risk prediction models
in healthcare is complicated by the issue of confounding medical interventions
(CMI): when an algorithm predicts a patient to be at high risk for an adverse
event, clinicians are more likely to administer prophylactic treatment and
alter the very target that the algorithm aims to predict. A simple approach is
to ignore CMI and monitor only the untreated patients, whose outcomes remain
unaltered. In general, ignoring CMI may inflate Type I error because (i)
untreated patients disproportionally represent those with low predicted risk
and (ii) evolution in both the model and clinician trust in the model can
induce complex dependencies that violate standard assumptions. Nevertheless, we
show that valid inference is still possible if one monitors conditional
performance and if either conditional exchangeability or time-constant
selection bias hold. Specifically, we develop a new score-based cumulative sum
(CUSUM) monitoring procedure with dynamic control limits. Through simulations,
we demonstrate the benefits of combining model updating with monitoring and
investigate how over-trust in a prediction model may delay detection of
performance deterioration. Finally, we illustrate how these monitoring methods
can be used to detect calibration decay of an ML-based risk calculator for
postoperative nausea and vomiting during the COVID-19 pandemic.
- Abstract（参考訳）: 医療における機械学習(ML)に基づくリスク予測モデルのパフォーマンスモニタリングは、医療介入(CMI)の問題によって複雑である。アルゴリズムが患者が有害事象のリスクが高いと予測した場合、臨床医は予防的治療を管理し、アルゴリズムが予測するターゲットを変更する可能性が高い。
単純なアプローチは、CMIを無視し、治療を受けていない患者のみを監視することである。
一般に、cmiを無視するとタイプiのエラーが膨らむことがある。
(i)未治療患者は、予測リスクの低い患者を不釣り合いに代表し、
(II)モデルと臨床信頼の双方における進化は、標準的な仮定に反する複雑な依存関係を誘発することができる。
それにもかかわらず、条件付き交換性や時間的選択バイアスが保たれている場合、有効な推論が可能であることを示す。
具体的には,動的制御限界を有するスコアベース累積和(CUSUM)モニタリング手法を開発した。
シミュレーションにより、モデル更新とモニタリングを組み合わせる利点を実証し、予測モデルにおける過剰信頼が性能劣化の検出を遅らせる可能性を検証した。
最後に,これらのモニタリング手法を用いて,covid-19パンデミック時の術後吐き気および吐き気に対するmlベースのリスク電卓のキャリブレーション劣化の検出方法を示す。
関連論文リスト
- SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
セプシスは米国での院内死亡の主な原因である。
既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。
限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-07-24T04:47:36Z) - Neural parameter calibration and uncertainty quantification for epidemic
forecasting [0.0]
感染パラメータの確率密度を学習する問題に対して,新しい強力な計算手法を適用した。
ニューラルネットワークを用いて、2020年にベルリンで発生した新型コロナウイルスの感染拡大に関するデータにODEモデルを調整します。
本手法は,感染の簡易SIRモデルにおいて,本手法の真の後部への収束を示すとともに,縮小データセット上での学習能力を実証する。
論文 参考訳（メタデータ） (2023-12-05T21:34:59Z) - Safe AI for health and beyond -- Monitoring to transform a health
service [51.8524501805308]
機械学習アルゴリズムの出力を監視するために必要なインフラストラクチャを評価する。
モデルのモニタリングと更新の例を示す2つのシナリオを提示します。
論文 参考訳（メタデータ） (2023-03-02T17:27:45Z) - Boosting the interpretability of clinical risk scores with intervention
predictions [59.22442473992704]
本稿では、今後の介入に関するモデルの仮定を明確に伝達する手段として、介入政策と有害事象リスクの合同モデルを提案する。
死亡確率などの典型的なリスクスコアと将来の介入確率スコアとを組み合わせることで、より解釈可能な臨床予測がもたらされることを示す。
論文 参考訳（メタデータ） (2022-07-06T19:49:42Z) - Improving Trustworthiness of AI Disease Severity Rating in Medical
Imaging with Ordinal Conformal Prediction Sets [0.7734726150561088]
統計的に厳密な不確実性定量化の欠如は、AI結果の信頼を損なう重要な要因である。
分布自由不確実性定量化の最近の進歩は、これらの問題に対する実用的な解決策である。
本稿では, 正しい狭窄の重症度を含むことが保証される順序予測セットを形成する手法を実証する。
論文 参考訳（メタデータ） (2022-07-05T18:01:20Z) - Modeling Disagreement in Automatic Data Labelling for Semi-Supervised
Learning in Clinical Natural Language Processing [2.016042047576802]
放射線学報告における観測検出問題に応用した最先端の予測モデルからの不確実性推定の品質について検討する。
論文 参考訳（メタデータ） (2022-05-29T20:20:49Z) - 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) - Real-time Prediction for Mechanical Ventilation in COVID-19 Patients
using A Multi-task Gaussian Process Multi-objective Self-attention Network [9.287068570192057]
本報告では, 院内感染患者の機械的換気を要す確率を予測できるロバスト・イン・タイム・予測器を提案する。
新型コロナウイルス患者のリスク予測の課題は、臨床現場で観察された患者のバイタルや検査室の大きなばらつきと不規則なサンプリングにある。
予測タスクを多目的学習フレームワークに設定し、すべての時点におけるリスクスコアを完全に最適化する。
論文 参考訳（メタデータ） (2021-02-01T20:35:22Z) - Trust but Verify: Assigning Prediction Credibility by Counterfactual
Constrained Learning [123.3472310767721]
予測信頼性尺度は統計学と機械学習において基本的なものである。
これらの措置は、実際に使用される多種多様なモデルを考慮に入れるべきである。
この研究で開発されたフレームワークは、リスクフィットのトレードオフとして信頼性を表現している。
論文 参考訳（メタデータ） (2020-11-24T19:52:38Z) - MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。
我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。
我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
論文 参考訳（メタデータ） (2020-10-08T15:30:17Z) - Bayesian Modelling in Practice: Using Uncertainty to Improve Trustworthiness in Medical Applications [2.446672595462589]
集中治療室(Intensive Care Unit、ICU)は、機械学習が臨床的意思決定に有用な支援を提供する可能性がある病院部門である。
実際には、破滅的な治療決定を未然に防ぐために、余計な治療を受けた医師に不確実な予測を提示すべきである。
ベイジアンモデリングとそれが提供する予測の不確実性が、誤った予測のリスクを軽減するためにどのように使用できるかを示す。
論文 参考訳（メタデータ） (2019-06-20T13:51:07Z)
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。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。