論文の概要: A Kalman Filter Based Framework for Monitoring the Performance of
In-Hospital Mortality Prediction Models Over Time
- arxiv url: http://arxiv.org/abs/2402.06812v1
- Date: Fri, 9 Feb 2024 22:27:29 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-13 19:07:40.380339
- Title: A Kalman Filter Based Framework for Monitoring the Performance of
In-Hospital Mortality Prediction Models Over Time
- Title（参考訳）: 時間経過に伴う病院内死亡予測モデルの性能モニタリングのためのカルマンフィルタに基づくフレームワーク
- Authors: Jiacheng Liu, Lisa Kirkland, Jaideep Srivastava
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 3.5508427067904864
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Unlike in a clinical trial, where researchers get to determine the least
number of positive and negative samples required, or in a machine learning
study where the size and the class distribution of the validation set is static
and known, in a real-world scenario, there is little control over the size and
distribution of incoming patients. As a result, when measured during different
time periods, evaluation metrics like Area under the Receiver Operating Curve
(AUCROC) and Area Under the Precision-Recall Curve(AUCPR) may not be directly
comparable. Therefore, in this study, for binary classifiers running in a long
time period, we proposed to adjust these performance metrics for sample size
and class distribution, so that a fair comparison can be made between two time
periods. Note that the number of samples and the class distribution, namely the
ratio of positive samples, are two robustness factors which affect the variance
of AUCROC. To better estimate the mean of performance metrics and understand
the change of performance over time, we propose a Kalman filter based framework
with extrapolated variance adjusted for the total number of samples and the
number of positive samples during different time periods. The efficacy of this
method is demonstrated first on a synthetic dataset and then retrospectively
applied to a 2-days ahead in-hospital mortality prediction model for COVID-19
patients during 2021 and 2022. Further, we conclude that our prediction model
is not significantly affected by the evolution of the disease, improved
treatments and changes in hospital operational plans.
- Abstract（参考訳）: 臨床試験とは異なり、研究者は必要最小限の陽性と陰性のサンプルを判断したり、検証セットのサイズとクラス分布が静的で知られている機械学習の研究では、実際のシナリオでは、患者のサイズと分布についてはほとんど制御できない。
その結果,AUCROC(Area Under the Receiver Operating Curve)やArea Under the Precision-Recall Curve(AUCPR)といった評価指標は,異なる期間で測定した場合と直接比較できない。
そこで本研究では,2値分類器を長時間動作させる場合,これらの性能指標を標本サイズとクラス分布に調整し,適切な比較を2つの時間間隔で行うことを提案する。
サンプルの数とクラス分布、すなわち正のサンプルの比率は、AUCROCの分散に影響を与える2つの堅牢性因子である。
性能指標の平均値をよりよく推定し、時間とともにの性能変化を理解するために、サンプルの総数と正のサンプル数に調整された外挿分散を持つカルマンフィルタベースのフレームワークを提案する。
本手法の有効性は,2021年から2022年までの2日間の院内死亡予測モデルにおいて,まず合成データセット上で実証された。
さらに, この予測モデルは, 疾患の進化, 治療の改善, 病院の手術計画の変化にはあまり影響しないと結論づけた。
関連論文リスト
- Difference-in-Differences with Time-varying Continuous Treatments using Double/Debiased Machine Learning [0.0]
本稿では,連続処理と複数期間の差分差分法(DiD)を提案する。
本フレームワークは,2つの非ゼロ治療用量の比較において,平均治療効果(ATET)を評価する。
論文 参考訳（メタデータ） (2024-10-28T15:10:43Z) - Explain Variance of Prediction in Variational Time Series Models for
Clinical Deterioration Prediction [4.714591319660812]
本稿では,予測モデルの観点から臨床変数測定頻度の新たな視点を提案する。
予測分散は、変分モデルで条件付き隠れ空間をサンプリングすることによって推定され、デルタ法により決定的に近似することができる。
我々は、劣化予測タスクを用いたパブリックICUデータセット上でアイデアを検証し、分散SHAPと測定時間間隔の関係について検討した。
論文 参考訳（メタデータ） (2024-02-09T22:14:40Z) - Bootstrapping Your Own Positive Sample: Contrastive Learning With
Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。
EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。
私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文 参考訳（メタデータ） (2021-04-07T06:02:04Z) - CDSM -- Casual Inference using Deep Bayesian Dynamic Survival Models [3.9169188005935927]
我々はベイジアン・リカレント・サブネットワークを用いた潜在的結果フレームワークを用いて生存曲線の差を推定する因果的動的生存モデル(CDSM)を開発した。
シミュレーションされたサバイバルデータセットを使用して、CDSMはサンプル寸法、イベントレート、結束および重複のシナリオにわたる良好な因果効果推定性能を示した。
論文 参考訳（メタデータ） (2021-01-26T09:15:49Z) - Bayesian prognostic covariate adjustment [59.75318183140857]
疾患の結果に関する歴史的データは、様々な方法で臨床試験の分析に組み込むことができる。
我々は, 予測モデルからの予後スコアを用いて, 治療効果推定の効率を向上する既存の文献に基づいて構築する。
論文 参考訳（メタデータ） (2020-12-24T05:19:03Z) - 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) - STELAR: Spatio-temporal Tensor Factorization with Latent Epidemiological
Regularization [76.57716281104938]
我々は,多くの地域の流行傾向を同時に予測するテンソル法を開発した。
stelarは離散時間差分方程式のシステムを通じて潜在時間正規化を組み込むことで長期予測を可能にする。
我々は、カウンティレベルと州レベルのCOVID-19データの両方を用いて実験を行い、このモデルが流行の興味深い潜伏パターンを識別できることを示します。
論文 参考訳（メタデータ） (2020-12-08T21:21:47Z) - Tolerance and Prediction Intervals for Non-normal Models [0.0]
予測間隔は、繰り返しサンプリングにおいてランダムプロセスから将来の観察をカバーする。
寛容間隔は繰り返しサンプリングにおいて集団パーセンタイルをカバーし、しばしば中心的な量に基づいている。
論文 参考訳（メタデータ） (2020-11-23T17:48:09Z) - Tracking disease outbreaks from sparse data with Bayesian inference [55.82986443159948]
新型コロナウイルス(COVID-19)のパンデミックは、感染発生時の感染率を推定する新たな動機を与える。
標準的な手法は、より細かいスケールで共通する部分的な観測可能性とスパースなデータに対応するのに苦労する。
原理的に部分観測可能なベイズ的枠組みを提案する。
論文 参考訳（メタデータ） (2020-09-12T20:37:33Z) - Joint Prediction and Time Estimation of COVID-19 Developing Severe
Symptoms using Chest CT Scan [49.209225484926634]
術後に重篤な症状を発症するかどうかを判定するための共同分類法と回帰法を提案する。
提案手法は,各試料の重量を考慮し,外乱の影響を低減し,不均衡な分類の問題を検討する。
提案手法では, 重症症例の予測精度76.97%, 相関係数0.524, 変換時間0.55日差が得られた。
論文 参考訳（メタデータ） (2020-05-07T12:16:37Z)
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。