論文の概要: Quantifying Symptom Causality in Clinical Decision Making: An Exploration Using CausaLM
- arxiv url: http://arxiv.org/abs/2503.19394v1
- Date: Tue, 25 Mar 2025 06:59:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-26 16:51:28.683515
- Title: Quantifying Symptom Causality in Clinical Decision Making: An Exploration Using CausaLM
- Title(参考訳): 臨床診断における症状因果関係の定量化: CausaLMを用いた探索
- Authors: Mehul Shetty, Connor Jordan,
- Abstract要約: 医学的診断に対する現在の機械学習のアプローチは、しばしば症状と疾患の間の相関パターンに依存する。
本研究は,主症状特異的に「ケスト痛み」が診断予測に与える影響について,相関性を超えて検討する。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: Current machine learning approaches to medical diagnosis often rely on correlational patterns between symptoms and diseases, risking misdiagnoses when symptoms are ambiguous or common across multiple conditions. In this work, we move beyond correlation to investigate the causal influence of key symptoms-specifically "chest pain" on diagnostic predictions. Leveraging the CausaLM framework, we generate counterfactual text representations in which target concepts are effectively "forgotten" enabling a principled estimation of the causal effect of that concept on a model's predicted disease distribution. By employing Textual Representation-based Average Treatment Effect (TReATE), we quantify how the presence or absence of a symptom shapes the model's diagnostic outcomes, and contrast these findings against correlation-based baselines such as CONEXP. Our results offer deeper insight into the decision-making behavior of clinical NLP models and have the potential to inform more trustworthy, interpretable, and causally-grounded decision support tools in medical practice.
- Abstract(参考訳): 現代の機械学習の医療診断へのアプローチは、症状と疾患の相関パターンに依存しており、症状があいまいである場合や、複数の症状に共通している場合の誤診を危険にさらしていることが多い。
本研究は,主症状特異的に「ケスト痛み」が診断予測に与える影響について,相関性を超えて検討する。
CausaLMフレームワークを利用することで、ターゲット概念が効果的に「忘れられる」反ファクトリアルテキスト表現を生成し、モデルが予測する疾患分布に対する、その概念の因果効果の原理的推定を可能にする。
テキスト表現に基づく平均治療効果 (TReATE) を用いて, 症状の有無がモデルの診断結果をどのように形成するかを定量化し, CONEXP などの相関ベースラインと対比する。
本研究は, 臨床NLPモデルの意思決定行動に関する深い知見を提供し, 医療実践における信頼性, 解釈性, 因果的意思決定支援ツールについて報告する。
関連論文リスト
- Research on the Proximity Relationships of Psychosomatic Disease Knowledge Graph Modules Extracted by Large Language Models [15.497329016495677]
心身障害は、世界的な健康問題において大きな課題である。
我々はBERTモデルとエンティティタイプを確立し、9668トリプルの知識グラフを構築した。
疾患,症状,薬物モジュール間のネットワーク距離を解析した結果,疾患間のネットワーク距離が臨床症状,治療アプローチ,心理的メカニズムの類似度が高いこと,症状間のネットワーク距離が共起する可能性が示唆された。
論文 参考訳(メタデータ) (2024-12-24T13:24:01Z) - Fair Diagnosis: Leveraging Causal Modeling to Mitigate Medical Bias [14.848344916632024]
医学画像解析では、モデル予測は人種や性別などのセンシティブな属性に影響される可能性がある。
本稿では,感度属性が診断予測に与える影響を低減することを目的とした因果モデリングフレームワークを提案する。
論文 参考訳(メタデータ) (2024-12-06T02:59:36Z) - Explorative analysis of human disease-symptoms relations using the
Convolutional Neural Network [0.0]
本研究は, 疾患予測タスクにおける症状タイプの範囲を理解することを目的としている。
その結果,早期に98~100%の精度で機械学習が病気を診断できる可能性が示唆された。
論文 参考訳(メタデータ) (2023-02-23T15:02:07Z) - Bayesian Networks for the robust and unbiased prediction of depression
and its symptoms utilizing speech and multimodal data [65.28160163774274]
我々は,抑うつ,抑うつ症状,および,胸腺で収集された音声,表情,認知ゲームデータから得られる特徴の関連性を把握するためにベイズ的枠組みを適用した。
論文 参考訳(メタデータ) (2022-11-09T14:48:13Z) - 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) - NeuralSympCheck: A Symptom Checking and Disease Diagnostic Neural Model
with Logic Regularization [59.15047491202254]
症状検査システムは、患者に症状を問い合わせ、迅速で手頃な価格の医療評価を行う。
本稿では,論理正則化を用いたニューラルネットワークの教師付き学習に基づく新しい手法を提案する。
以上の結果から,本手法は診断回数や症状が大きい場合の診断精度において,最も優れた方法であることがわかった。
論文 参考訳(メタデータ) (2022-06-02T07:57:17Z) - What Do You See in this Patient? Behavioral Testing of Clinical NLP
Models [69.09570726777817]
本稿では,入力の変化に関する臨床結果モデルの振る舞いを評価する拡張可能なテストフレームワークを提案する。
私たちは、同じデータを微調整しても、モデル行動は劇的に変化し、最高のパフォーマンスのモデルが常に最も医学的に可能なパターンを学習していないことを示しています。
論文 参考訳(メタデータ) (2021-11-30T15:52:04Z) - 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) - Inheritance-guided Hierarchical Assignment for Clinical Automatic
Diagnosis [50.15205065710629]
臨床診断は、臨床ノートに基づいて患者に診断符号を割り当てることを目的としており、臨床意思決定において重要な役割を担っている。
本稿では,臨床自動診断のための継承誘導階層と共起グラフの伝播を組み合わせた新しい枠組みを提案する。
論文 参考訳(メタデータ) (2021-01-27T13:16:51Z) - Uncertainty aware and explainable diagnosis of retinal disease [0.0]
4つの網膜疾患の診断のための深層学習モデルの不確実性解析を行う。
不確実性が認識されている間にシステムが予測に使用する特徴は、システムが決定について確信が持たないときにハイライトする能力である。
論文 参考訳(メタデータ) (2021-01-26T23:37:30Z)
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。