論文の概要: Explain Variance of Prediction in Variational Time Series Models for
Clinical Deterioration Prediction
- arxiv url: http://arxiv.org/abs/2402.06808v1
- Date: Fri, 9 Feb 2024 22:14:40 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-13 19:06:06.430133
- Title: Explain Variance of Prediction in Variational Time Series Models for
Clinical Deterioration Prediction
- Title（参考訳）: 臨床劣化予測のための変動時系列モデルにおける予測の明示的変動
- Authors: Jiacheng Liu and Jaideep Srivastava
- Abstract要約: 本稿では,差分寄与の属性としてSHAP法を適用できるように,デルタ法を用いて予測のばらつきを決定論的に近似する手法を提案する。
変動モデルにおいて条件付き隠れ空間をサンプリングすることにより予測分散を推定し、分散ゲームのシェープリー値に基づいて入力された臨床変数に伝播する。
- 参考スコア（独自算出の注目度）: 4.714591319660812
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: In healthcare, thanks to many model agnostic methods, explainability of the
prediction scores made by deep learning applications has improved. However, we
note that for daily or hourly risk of deterioration prediction of in-hospital
patients, not only the predicted risk probability score matters, but also the
variance of the risk scores play key roles in aiding clinical decision making.
In this paper, we propose to use delta's method to approximate variance of
prediction deterministically, such that the SHAP method can be adopted to
attribute contribution of variance. The prediction variance is estimated by
sampling the conditional hidden space in variational models and is propagated
to input clinical variables based on Shapley values of the variance game. This
approach works with variational time series models such as variational
recurrent neural networks and variational transformers. We further argue that
variational time series models are perfect fits for achieving a balance between
predictive power and explainability through a series of experiments on a public
clinical ICU datasets. Since SHAP values are additive, we also postulate that
the SHAP importance of clinical variables with respect to prediction variations
can guide their frequency of measurements.
- Abstract（参考訳）: ヘルスケアでは、多くのモデルに依存しない手法のおかげで、ディープラーニングアプリケーションによる予測スコアの説明性が向上した。
しかし, 病院内患者の劣化予測の1日または1時間当たりのリスクについては, 予測されるリスク確率スコアだけでなく, リスクスコアのばらつきが臨床意思決定に重要な役割を果たすことに留意した。
本稿では,デルタ法を用いて予測の分散を決定論的に近似し,SHAP法を用いて分散の寄与を推定する手法を提案する。
変動モデルにおける条件付き隠れ空間をサンプリングして予測分散を推定し、分散ゲームのシェープリー値に基づいて臨床変数を入力に伝達する。
このアプローチは、変分繰り返しニューラルネットワークや変分変換器などの変分時系列モデルで動作する。
さらに, 変分時系列モデルは, 公的な臨床icuデータセット上での一連の実験を通じて, 予測力と説明可能性のバランスをとるのに最適であると主張する。
また, SHAP値が付加的であるため, 予測変動に対する臨床変数のSHAPの重要性は, 測定頻度を導くことを示唆している。
関連論文リスト
- A Kalman Filter Based Framework for Monitoring the Performance of
In-Hospital Mortality Prediction Models Over Time [3.5508427067904864]
サンプルの総数と、異なる期間における正のサンプル数に応じて、外挿分散を調整したカルマンフィルタに基づくフレームワークを提案する。
この予測モデルは, 疾患の進展, 治療改善, 手術計画の変更などの影響を受けない。
論文 参考訳（メタデータ） (2024-02-09T22:27:29Z) - Causal Dynamic Variational Autoencoder for Counterfactual Regression in
Longitudinal Data [3.662229789022107]
時間とともに治療効果を推定することは、精密医療、疫学、経済、マーケティングなど多くの現実世界の応用において重要である。
我々は、観測されていないリスク要因、すなわち、結果の順序だけに影響を与える調整変数を仮定することで、異なる視点を取る。
我々は、時間変化効果と未観測の調整変数によって生じる課題に対処する。
論文 参考訳（メタデータ） (2023-10-16T16:32:35Z) - Selective Nonparametric Regression via Testing [54.20569354303575]
本研究では,所定の点における条件分散の値に関する仮説を検証し,留置手順を開発する。
既存の手法とは異なり、提案手法は分散自体の値だけでなく、対応する分散予測器の不確実性についても考慮することができる。
論文 参考訳（メタデータ） (2023-09-28T13:04:11Z) - Quantifying predictive uncertainty of aphasia severity in stroke patients with sparse heteroscedastic Bayesian high-dimensional regression [47.1405366895538]
高次元データに対する疎線型回帰法は、通常、残留物が一定の分散を持つと仮定するが、これは実際には破ることができる。
本稿では,ヘテロセダスティック分割経験的ベイズ期待条件最大化アルゴリズムを用いて,高次元ヘテロセダスティック線形回帰モデルを推定する。
論文 参考訳（メタデータ） (2023-09-15T22:06:29Z) - Continuous-Time Modeling of Counterfactual Outcomes Using Neural
Controlled Differential Equations [84.42837346400151]
反現実的な結果を予測することは、パーソナライズされたヘルスケアをアンロックする可能性がある。
既存の因果推論アプローチでは、観察と治療決定の間の通常の離散時間間隔が考慮されている。
そこで本研究では,腫瘍増殖モデルに基づく制御可能なシミュレーション環境を提案する。
論文 参考訳（メタデータ） (2022-06-16T17:15:15Z) - TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。
本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。
本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
論文 参考訳（メタデータ） (2022-02-07T21:37:29Z) - Variance Minimization in the Wasserstein Space for Invariant Causal
Prediction [72.13445677280792]
そこで本研究では,ICPで行ったアプローチを,予測器数で線形にスケールする一連の非パラメトリックテストとして再検討する。
これらのテストはそれぞれ、最適輸送理論の道具から導かれる新しい損失関数の最小化に依存している。
我々は,本手法が同定可能な直接原因の集合を回復できるという軽微な仮定の下で証明し,他のベンチマーク因果探索アルゴリズムと競合することを示す。
論文 参考訳（メタデータ） (2021-10-13T22:30:47Z) - When in Doubt: Neural Non-Parametric Uncertainty Quantification for
Epidemic Forecasting [70.54920804222031]
既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。
不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。
本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
論文 参考訳（メタデータ） (2021-06-07T18:31:47Z) - Comparative Analysis of Machine Learning Approaches to Analyze and
Predict the Covid-19 Outbreak [10.307715136465056]
疫学領域における新型コロナウイルスの流行を予測するための機械学習(ML)アプローチの比較分析を行った。
これらの結果から,短期的政策の意思決定を支援するMLアルゴリズムの利点が明らかになった。
論文 参考訳（メタデータ） (2021-02-11T11:57:33Z) - Increasing the efficiency of randomized trial estimates via linear
adjustment for a prognostic score [59.75318183140857]
ランダム化実験による因果効果の推定は臨床研究の中心である。
歴史的借用法のほとんどは、厳格なタイプiエラー率制御を犠牲にして分散の削減を達成する。
論文 参考訳（メタデータ） (2020-12-17T21:10:10Z) - Impact of Medical Data Imprecision on Learning Results [9.379890125442333]
医療応用におけるインプレクションが予測結果に与える影響について検討した。
トレーニング済みのモデルを用いて、患者の甲状腺機能亢進症の将来状態を予測する。
論文 参考訳（メタデータ） (2020-07-24T06:54:57Z)
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。