論文の概要: Designing User-Centric Behavioral Interventions to Prevent Dysglycemia with Novel Counterfactual Explanations
- arxiv url: http://arxiv.org/abs/2310.01684v2
- Date: Fri, 01 Nov 2024 15:46:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-04 14:32:49.730268
- Title: Designing User-Centric Behavioral Interventions to Prevent Dysglycemia with Novel Counterfactual Explanations
- Title（参考訳）: 新規な非現実的説明による高血糖予防のためのユーザ中心行動介入の設計
- Authors: Asiful Arefeen, Hassan Ghasemzadeh,
- Abstract要約: ExActは、慢性疾患の予防と管理のためのカウンターファクトな説明を生成するための新しいフレームワークである。
4つの実世界のデータセットと外部シミュレータを用いて広範囲に評価される。
- 参考スコア（独自算出の注目度）: 8.517406772939292
- License:
- Abstract: Monitoring unexpected health events and taking actionable measures to avert them beforehand is central to maintaining health and preventing disease. Therefore, a tool capable of predicting adverse health events and offering users actionable feedback about how to make changes in their diet, exercise, and medication to prevent abnormal health events could have significant societal impacts. Counterfactual explanations can provide insights into why a model made a particular prediction by generating hypothetical instances that are similar to the original input but lead to a different prediction outcome. Therefore, counterfactuals can be viewed as a means to design AI-driven health interventions to not only predict but also prevent adverse health outcomes such as blood glucose spikes, diabetes, and heart disease. In this paper, we design \textit{\textbf{ExAct}}, a novel model-agnostic framework for generating counterfactual explanations for chronic disease prevention and management. Leveraging insights from adversarial learning, ExAct characterizes the decision boundary for high-dimensional data and performs a grid search to generate actionable interventions. ExAct is unique in integrating prior knowledge about user preferences of feasible explanations into the process of counterfactual generation. ExAct is evaluated extensively using four real-world datasets and external simulators. With $82.8\%$ average validity in the simulation-aided validation, ExAct surpasses the state-of-the-art techniques for generating counterfactual explanations by at least $10\%$. Besides, counterfactuals from ExAct exhibit at least $6.6\%$ improved proximity compared to previous research.
- Abstract（参考訳）: 予期せぬ健康事象をモニタリングし、それを避けるための行動可能な措置を取ることは、健康維持と病気の予防の中心である。
したがって、有害な健康イベントを予測し、食事、運動、薬品の変更方法に関する行動可能なフィードバックを提供するツールが、異常な健康イベントを防ぐために、社会に重大な影響を及ぼす可能性がある。
対実的な説明は、モデルが元の入力と似ているが異なる予測結果をもたらす仮説的なインスタンスを生成することによって、モデルが特定の予測を行った理由に関する洞察を与えることができる。
したがって、カウンターファクトは、AIによる健康介入を設計し、血糖スパイク、糖尿病、心臓病などの健康上の有害な結果を予測するだけでなく、予防する手段とみなすことができる。
本稿では,慢性疾患の予防と管理のために,新しいモデル非依存の枠組みである「textit{\textbf{ExAct}}」を設計する。
ExActは、敵対的学習からの洞察を活用して、高次元データの意思決定境界を特徴づけ、実用的な介入を生成するためのグリッドサーチを実行する。
ExActは、実現可能な説明のユーザの嗜好に関する事前知識を、対実生成のプロセスに統合することに特有である。
ExActは4つの実世界のデータセットと外部シミュレータを用いて広範囲に評価される。
シミュレーション支援バリデーションの平均有効率は82.8\%で、ExActは少なくとも10\%の反実的説明を生成する最先端技術を上回っている。
さらに、ExActのカウンターファクトは、以前の研究と比べて少なくとも6.6 %$改善された近接性を示している。
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) - MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data
Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。
トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。
ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文 参考訳（メタデータ） (2023-10-04T01:36:30Z) - Policy Optimization for Personalized Interventions in Behavioral Health [8.10897203067601]
デジタルプラットフォームを通じて提供される行動的健康介入は、健康結果を大幅に改善する可能性がある。
患者に対するパーソナライズされた介入を最適化して長期的効果を最大化する問題について検討した。
患者システムの状態空間を個別のレベルに分解するDecompPIをダブする新しい手法を提案する。
論文 参考訳（メタデータ） (2023-03-21T21:42:03Z) - 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) - Foresight -- Deep Generative Modelling of Patient Timelines using
Electronic Health Records [46.024501445093755]
医学史の時間的モデリングは、将来の出来事を予測し、シミュレートしたり、リスクを見積り、代替診断を提案したり、合併症を予測するために使用することができる。
我々は、文書テキストを構造化されたコード化された概念に変換するためにNER+Lツール(MedCAT)を使用する新しいGPT3ベースのパイプラインであるForesightを提示する。
論文 参考訳（メタデータ） (2022-12-13T19:06:00Z) - Monitoring machine learning (ML)-based risk prediction algorithms in the
presence of confounding medical interventions [4.893345190925178]
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。
論文 参考訳（メタデータ） (2022-11-17T18:54:34Z) - Forecasting Patient Flows with Pandemic Induced Concept Drift using
Explainable Machine Learning [0.0]
本研究では,患者フローの予測モデルを改善する新しい準リアルタイム変数群について検討した。
新型コロナウイルス(COVID-19)のアラートレベル(Alert Level)機能は、Googleの検索語や歩行者のトラフィックとともに、一般的な予測を生成するのに効果的だった。
論文 参考訳（メタデータ） (2022-11-01T20:42:26Z) - Detecting Cross-Modal Inconsistency to Defend Against Neural Fake News [57.9843300852526]
我々は、画像やキャプションを含む機械生成ニュースに対して、より現実的で挑戦的な対策を導入する。
敵が悪用できる可能性のある弱点を特定するために、4つの異なる種類の生成された記事からなるNeuralNewsデータセットを作成します。
ユーザ実験から得られた貴重な知見に加えて,視覚的意味的不整合の検出にもとづく比較的効果的なアプローチを提案する。
論文 参考訳（メタデータ） (2020-09-16T14:13:15Z) - Enabling Counterfactual Survival Analysis with Balanced Representations [64.17342727357618]
生存データは様々な医学的応用、すなわち薬物開発、リスクプロファイリング、臨床試験で頻繁に見られる。
本稿では,生存結果に適用可能な対実的推論のための理論的基盤を持つ統一的枠組みを提案する。
論文 参考訳（メタデータ） (2020-06-14T01:15:00Z) - A General Framework for Survival Analysis and Multi-State Modelling [70.31153478610229]
ニューラル常微分方程式を多状態生存モデル推定のためのフレキシブルで一般的な方法として用いる。
また,本モデルでは,サバイバルデータセット上での最先端性能を示すとともに,マルチステート環境での有効性を示す。
論文 参考訳（メタデータ） (2020-06-08T19:24:54Z)
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。