Fugu-MT 論文翻訳(概要): Why Do Clinical Probabilistic Models Fail To Transport Between Sites?

論文の概要: Why Do Clinical Probabilistic Models Fail To Transport Between Sites?

arxiv url: http://arxiv.org/abs/2311.04787v1
Date: Wed, 8 Nov 2023 16:09:25 GMT
ステータス: 処理完了
システム内更新日: 2023-11-09 15:09:17.733386
Title: Why Do Clinical Probabilistic Models Fail To Transport Between Sites?
Title（参考訳）: 臨床確率モデルがなぜサイト間を移動できないのか?
Authors: Thomas A. Lasko, Eric V. Strobl, William W. Stead
Abstract要約: 訓練現場での超人的臨床成績を達成する計算モデルは、新しい場所では著しく悪化する可能性がある。本報告では, このトランスポートの失敗の原因として, 臨床データ生成プロセスに固有の実験者および情報源の制御のもと, ソースに分割した。
参考スコア（独自算出の注目度）: 6.660458629649825
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The rising popularity of artificial intelligence in healthcare is highlighting the problem that a computational model achieving super-human clinical performance at its training sites may perform substantially worse at new sites. In this perspective, we present common sources for this failure to transport, which we divide into sources under the control of the experimenter and sources inherent to the clinical data-generating process. Of the inherent sources we look a little deeper into site-specific clinical practices that can affect the data distribution, and propose a potential solution intended to isolate the imprint of those practices on the data from the patterns of disease cause and effect that are the usual target of clinical models.
Abstract（参考訳）: 医療における人工知能の人気の高まりは、トレーニングサイトでの超人的な臨床パフォーマンスを達成する計算モデルが、新しいサイトでは大幅に悪化する可能性があるという問題を浮き彫りにしている。そこで本研究では,このトランスポートの失敗の原因を,臨床データ生成プロセスに固有の実験者の制御下にあるソースとソースに分けて提示する。内在する情報源のうち、我々は、データ分布に影響を与える可能性のあるサイト固有の臨床プラクティスに少し深く目を向け、臨床モデルの通常のターゲットである疾患の原因と効果のパターンから、データへのこれらのプラクティスのインプリントを分離するための潜在的なソリューションを提案する。

関連論文リスト

Empirical investigation of multi-source cross-validation in clinical ECG classification [0.9749684343406612]
クロスバリデーション法は、機械学習に基づく臨床予測モデルの精度を推定するために用いられる。マルチソース環境における標準Kフォールドクロスバリデーションと離脱元クロスバリデーションの系統的評価について述べる。以上の結果から,K-foldクロスバリデーションは単一ソースデータと複数ソースデータの両方において,新たなソースへの一般化を目標とする場合の予測性能を体系的に過大評価していることがわかった。
論文参考訳（メタデータ） (2024-03-22T07:56:31Z)
Towards a Transportable Causal Network Model Based on Observational Healthcare Data [1.333879175460266]
本稿では,選択図,不足グラフ,因果発見,事前知識を1つのグラフィカルモデルに組み合わせた新しい手法を提案する。このモデルは、患者の2つの異なるコホートからなるデータから学習する。結果として得られた因果ネットワークモデルは、リスク評価、正確性、説明可能性の観点から専門家臨床医によって検証される。
論文参考訳（メタデータ） (2023-11-13T13:23:31Z)
Domain-invariant Clinical Representation Learning by Bridging Data Distribution Shift across EMR Datasets [16.317118701435742]
適切な診断を行い、パーソナライズされた治療計画を設計する上で、効果的な予後モデルが期待されている。疾患の初期段階では、限られたデータ収集と臨床経験に加えて、プライバシと倫理の懸念から、参照のためのデータ可用性が制限される可能性がある。本稿では、ソースデータセットからターゲットデータセットへの遷移モデルを構築するためのドメイン不変表現学習手法を紹介する。
論文参考訳（メタデータ） (2023-10-11T18:32:21Z)
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)
Benchmarking Heterogeneous Treatment Effect Models through the Lens of Interpretability [82.29775890542967]
治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
論文参考訳（メタデータ） (2022-06-16T17:59:05Z)
Federated learning for violence incident prediction in a simulated cross-institutional psychiatric setting [3.6939898792640213]
暴力的になる可能性のある人物を知ることは、スタッフのレベルと重大さに影響を与える可能性がある。機械学習モデルは、臨床ノートに基づいて患者が暴力的になる可能性を評価することができる。フェデレートラーニングは、訓練モデルによるデータ制限の問題を分散的に克服することができる。
論文参考訳（メタデータ） (2022-05-17T07:37:12Z)
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)
Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文参考訳（メタデータ） (2020-09-02T02:50:30Z)
Trajectories, bifurcations and pseudotime in large clinical datasets: applications to myocardial infarction and diabetes data [94.37521840642141]
混合データ型と欠落値を特徴とする大規模臨床データセット分析のための半教師付き方法論を提案する。この手法は、次元の減少、データの可視化、クラスタリング、特徴の選択と、部分的に順序付けられた観測列における測地距離(擬時)の定量化のタスクを同時に扱うことのできる弾性主グラフの適用に基づいている。
論文参考訳（メタデータ） (2020-07-07T21:04:55Z)
Hemogram Data as a Tool for Decision-making in COVID-19 Management: Applications to Resource Scarcity Scenarios [62.997667081978825]
新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
論文参考訳（メタデータ） (2020-05-10T01:45:03Z)

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。