論文の概要: SAFER: A Calibrated Risk-Aware Multimodal Recommendation Model for Dynamic Treatment Regimes

• arxiv url: http://arxiv.org/abs/2506.06649v1
• Date: Sat, 07 Jun 2025 04:05:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-10 16:33:10.380213
• Title: SAFER: A Calibrated Risk-Aware Multimodal Recommendation Model for Dynamic Treatment Regimes
• Title（参考訳）: SAFER:動的治療レジームのためのリスク対応マルチモーダル勧告モデル
• Authors: Yishan Shen, Yuyang Ye, Hui Xiong, Yong Chen,
• Abstract要約: 動的治療体制(DTR)のためのリスク対応型リコメンデーションフレームワークSAFERを紹介する。 SAFER は構造化 EHR と臨床ノートを統合し、互いに学習し、ラベルの不確実性に対処できるようにする。 実験により、SAFERは複数のレコメンデーション指標と対実死亡率で最先端のベースラインを上回っていることが示された。
• 参考スコア（独自算出の注目度）: 18.881967326672456
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dynamic treatment regimes (DTRs) are critical to precision medicine, optimizing long-term outcomes through personalized, real-time decision-making in evolving clinical contexts, but require careful supervision for unsafe treatment risks. Existing efforts rely primarily on clinician-prescribed gold standards despite the absence of a known optimal strategy, and predominantly using structured EHR data without extracting valuable insights from clinical notes, limiting their reliability for treatment recommendations. In this work, we introduce SAFER, a calibrated risk-aware tabular-language recommendation framework for DTR that integrates both structured EHR and clinical notes, enabling them to learn from each other, and addresses inherent label uncertainty by assuming ambiguous optimal treatment solution for deceased patients. Moreover, SAFER employs conformal prediction to provide statistical guarantees, ensuring safe treatment recommendations while filtering out uncertain predictions. Experiments on two publicly available sepsis datasets demonstrate that SAFER outperforms state-of-the-art baselines across multiple recommendation metrics and counterfactual mortality rate, while offering robust formal assurances. These findings underscore SAFER potential as a trustworthy and theoretically grounded solution for high-stakes DTR applications.
• Abstract（参考訳）: ダイナミックな治療体制 (DTR) は、治療の正確さに重要であり、臨床の進化において、パーソナライズされたリアルタイムな意思決定を通じて長期的な成果を最適化するが、安全でない治療リスクに対して注意を要する。 既存の取り組みは、既知の最適戦略が欠如しているにもかかわらず、主に臨床に規定された金の基準に依存しており、主に、臨床ノートから貴重な洞察を引き出すことなく構造化されたEHRデータを使用し、治療勧告の信頼性を制限している。 本研究では,DTR のリスク対応タブラ言語推薦フレームワークである SAFER について紹介する。このフレームワークは構造化 EHR と臨床ノートを統合し,両者が相互に学習し,患者に対して不明瞭な最適治療ソリューションを仮定することで,固有のラベルの不確実性に対処する。 さらに、SAFERは、統計的保証を提供するためにコンフォメーション予測を採用し、不確実な予測をフィルタリングしながら、安全な治療レコメンデーションを確保する。 公開された2つのセプシスデータセットの実験では、SAFERは複数の推奨指標と偽物死亡率で最先端のベースラインを上回り、堅牢な正式な保証を提供する。 これらの知見は,SAFERポテンシャルを高吸収DTR応用の信頼性および理論的根拠とした解であることを示す。

関連論文リスト

• Offline Guarded Safe Reinforcement Learning for Medical Treatment Optimization Strategies [9.123989363028945]
  アウト・オブ・ディストリビューション(OOD)問題は、医療シナリオにオフライン強化学習(RL)を適用する際に重大なリスクをもたらす。 モデルベースオフラインRLフレームワークであるtextitOffline Guarded Safe Reinforcement Learning (mathsfOGSRL$)を提案する。
  論文  参考訳（メタデータ） (2025-05-22T05:22:03Z)
• SConU: Selective Conformal Uncertainty in Large Language Models [59.25881667640868]
  SconU(Selective Conformal Uncertainity)と呼ばれる新しいアプローチを提案する。 我々は,特定の管理可能なリスクレベルで設定されたキャリブレーションの不確実性分布から,与えられたサンプルが逸脱するかどうかを決定するのに役立つ2つの共形p値を開発する。 我々のアプローチは、単一ドメインと学際的コンテキストの両方にわたる誤発見率の厳密な管理を促進するだけでなく、予測の効率を高める。
  論文  参考訳（メタデータ） (2025-04-19T03:01:45Z)
• Training-Aware Risk Control for Intensity Modulated Radiation Therapies Quality Assurance with Conformal Prediction [7.227232362460348]
  測定品質保証の実践は、がん治療における強度変調放射線療法(IMRT)の安全利用において重要な役割を担っている。 これらのプラクティスにより、測定ベースのIMRT QA障害が1%以下になった。 そこで本研究では,共形リスク制御と共形トレーニングの利点を組み合わせることで,新たな訓練適応型共形リスク制御手法を提案する。
  論文  参考訳（メタデータ） (2025-01-15T17:19:51Z)
• Uncertainty-Penalized Direct Preference Optimization [52.387088396044206]
  我々は、優先不確実性ペナル化スキームを導入し、DPOの悲観的な枠組みを開発する。 ペナル化は、不確実なサンプルの損失勾配を減衰させる損失の補正として機能する。 我々は,バニラDPOと比較して全体的な性能が向上し,高い不確実性選択/拒絶反応によるプロンプトの完成度も向上した。
  論文  参考訳（メタデータ） (2024-10-26T14:24:37Z)
• Towards Integrating Epistemic Uncertainty Estimation into the Radiotherapy Workflow [40.07325268305058]
  放射線治療計画における目標構造と臓器リスク(OAR)の整合性の精度は、治療効果と患者の安全を確保するために不可欠である。 近年のディープラーニング(DL)の進歩により,OARコンチューリング性能が大幅に向上した。 しかし、これらのモデルの信頼性、特にアウト・オブ・ディストリビューション(OOD)シナリオの存在は、臨床設定において懸念されている。
  論文  参考訳（メタデータ） (2024-09-27T10:55:58Z)
• Empowering Clinicians with Medical Decision Transformers: A Framework for Sepsis Treatment [5.0005174003014865]
  安全クリティカルな環境下での課題を解決するための医療意思決定変換器(MeDT)を提案する。 MeDTは、決定トランスフォーマーアーキテクチャを使用して、薬物投与推奨のポリシーを学ぶ。 MeDTは、患者の医療履歴、治療決定、結果、安定性に対する短期的影響の複雑な依存関係をキャプチャする。
  論文  参考訳（メタデータ） (2024-07-28T03:40:00Z)
• Safe Deployment for Counterfactual Learning to Rank with Exposure-Based Risk Minimization [63.93275508300137]
  本稿では,安全な配置を理論的に保証する新たなリスク認識型対実学習ランク法を提案する。 提案手法の有効性を実験的に検証し,データが少ない場合の動作不良の早期回避に有効であることを示す。
  論文  参考訳（メタデータ） (2023-04-26T15:54:23Z)
• Towards Reliable Medical Image Segmentation by utilizing Evidential Calibrated Uncertainty [52.03490691733464]
  本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。 主観的論理理論を利用して、医用画像分割の問題に対する確率と不確実性を明示的にモデル化する。 DeviSには不確実性を考慮したフィルタリングモジュールが組み込まれている。
  論文  参考訳（メタデータ） (2023-01-01T05:02:46Z)
• SDF-Bayes: Cautious Optimism in Safe Dose-Finding Clinical Trials with Drug Combinations and Heterogeneous Patient Groups [84.63561578944183]
  本稿では,薬物の最大許容量(MTD)を臨床試験で検索するための新しいベイズ設計であるSDF-Bayesを提案する。 SDF-Bayesは、1つの薬物の現在の投与量をエスカレートまたは脱エスカレートする従来の原則ではなく、慎重な楽観主義によって進行する。 合成データセットと実世界データセットの両方に基づく広範な実験は、最先端のDC試験設計よりもSDFベイズの利点を示しています。
  論文  参考訳（メタデータ） (2021-01-26T18:59:26Z)
• Multicategory Angle-based Learning for Estimating Optimal Dynamic Treatment Regimes with Censored Data [12.499787110182632]
  最適な治療体制(DTR)は、長期的な利益を最大化するための一連の決定規則から構成される。 本稿では,マルチカテゴリ処理フレームワークを用いて,最適DTRをターゲットとした新しい角度ベースアプローチを提案する。 本稿では,条件付き生存関数の最大化の観点から,提案手法が競合手法より優れていることを示す。
  論文  参考訳（メタデータ） (2020-01-14T05:19:15Z)

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。