論文の概要: DeltaSHAP: Explaining Prediction Evolutions in Online Patient Monitoring with Shapley Values

• arxiv url: http://arxiv.org/abs/2507.02342v1
• Date: Thu, 03 Jul 2025 06:08:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-04 15:37:15.691097
• Title: DeltaSHAP: Explaining Prediction Evolutions in Online Patient Monitoring with Shapley Values
• Title（参考訳）: DeltaSHAP: Shapley Valuesを用いたオンライン患者モニタリングにおける予測の進化を説明する
• Authors: Changhun Kim, Yechan Mun, Sangchul Hahn, Eunho Yang,
• Abstract要約: 本研究では,オンライン患者監視システムに特化して設計された新しい説明可能な人工知能(XAI)アルゴリズムであるDeltaSHAPを提案する。 時間的設定にシェープ値を適用することで、我々のアプローチは特徴連立効果を正確に捉えることができる。 さらに、実際に観察された特徴の組み合わせのみを用いて予測の変更を属性とし、時間に敏感な臨床応用のために効率的かつ実用的なものである。
• 参考スコア（独自算出の注目度）: 28.105209213061386
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This study proposes DeltaSHAP, a novel explainable artificial intelligence (XAI) algorithm specifically designed for online patient monitoring systems. In clinical environments, discovering the causes driving patient risk evolution is critical for timely intervention, yet existing XAI methods fail to address the unique requirements of clinical time series explanation tasks. To this end, DeltaSHAP addresses three key clinical needs: explaining the changes in the consecutive predictions rather than isolated prediction scores, providing both magnitude and direction of feature attributions, and delivering these insights in real time. By adapting Shapley values to temporal settings, our approach accurately captures feature coalition effects. It further attributes prediction changes using only the actually observed feature combinations, making it efficient and practical for time-sensitive clinical applications. We also introduce new evaluation metrics to evaluate the faithfulness of the attributions for online time series, and demonstrate through experiments on online patient monitoring tasks that DeltaSHAP outperforms state-of-the-art XAI methods in both explanation quality as 62% and computational efficiency as 33% time reduction on the MIMIC-III decompensation benchmark. We release our code at https://github.com/AITRICS/DeltaSHAP.
• Abstract（参考訳）: 本研究では,オンライン患者監視システムに特化して設計された新しい説明可能な人工知能(XAI)アルゴリズムであるDeltaSHAPを提案する。 臨床環境では、患者のリスク進化を引き起こす原因を発見することは、タイムリーな介入には不可欠であるが、既存のXAI手法では、臨床時系列説明タスクのユニークな要件に対処できない。 この目的のために、DeltaSHAPは、孤立した予測スコアよりも連続した予測の変化を説明すること、特徴属性の大きさと方向の両方を提供すること、これらの洞察をリアルタイムで提供すること、の3つの重要な臨床ニーズに対処する。 時間的設定にシェープ値を適用することで、我々のアプローチは特徴連立効果を正確に捉えることができる。 さらに、実際に観察された特徴の組み合わせのみを用いて予測の変更を属性とし、時間に敏感な臨床応用のために効率的かつ実用的なものである。 また,オンライン時系列に対する属性の忠実さを評価するための新たな評価指標を導入し,DeltaSHAPが最新のXAI手法を62%,計算効率を33%の時間短縮で評価したオンライン患者モニタリングタスクをMIMIC-IIIデコンペンセーションベンチマークで実証した。 コードについてはhttps://github.com/AITRICS/DeltaSHAP.comで公開しています。

関連論文リスト

• Analyzing Participants' Engagement during Online Meetings Using Unsupervised Remote Photoplethysmography with Behavioral Features [50.82725748981231]
  エンゲージメント測定は、医療、教育、サービスに応用される。 生理的特徴と行動的特徴の使用は可能であるが、従来の生理的測定の非現実性は接触センサーの必要性により生じる。 コンタクトセンサの代替として, 教師なし光胸腺造影(胸腔鏡)の有用性を実証する。
  論文  参考訳（メタデータ） (2024-04-05T20:39:16Z)
• New Epochs in AI Supervision: Design and Implementation of an Autonomous Radiology AI Monitoring System [5.50085484902146]
  本稿では,放射線学AI分類モデルの性能を実際に監視するための新しい手法を提案する。 予測分散と時間安定性という2つの指標を提案し、AIのパフォーマンス変化のプリエンプティブアラートに使用する。
  論文  参考訳（メタデータ） (2023-11-24T06:29:04Z)
• Clairvoyance: A Pipeline Toolkit for Medical Time Series [95.22483029602921]
  時系列学習は、データ駆動の*クリニカルな意思決定支援のパンとバターである* Clairvoyanceは、ソフトウェアツールキットとして機能する、統合されたエンドツーエンドのオートMLフレンドリなパイプラインを提案する。 Clairvoyanceは、臨床時系列MLのための包括的で自動化可能なパイプラインの生存可能性を示す最初のものである。
  論文  参考訳（メタデータ） (2023-10-28T12:08:03Z)
• QXAI: Explainable AI Framework for Quantitative Analysis in Patient Monitoring Systems [9.29069202652354]
  定量的分析のための説明可能なAI(QXAI)フレームワークは、回帰および分類タスクのポストホックモデル説明可能性と本質的な説明可能性によって提案される。 我々は,センサデータに基づく心拍数予測と身体活動の分類を行うために,人工ニューラルネットワーク (ANN) と注意に基づく双方向LSTM (BiLSTM) モデルを採用した。
  論文  参考訳（メタデータ） (2023-09-19T03:50:30Z)
• Forecasting Patient Flows with Pandemic Induced Concept Drift using Explainable Machine Learning [0.0]
  本研究では,患者フローの予測モデルを改善する新しい準リアルタイム変数群について検討した。 新型コロナウイルス(COVID-19)のアラートレベル(Alert Level)機能は、Googleの検索語や歩行者のトラフィックとともに、一般的な予測を生成するのに効果的だった。
  論文  参考訳（メタデータ） (2022-11-01T20:42:26Z)
• Real-time landmark detection for precise endoscopic submucosal dissection via shape-aware relation network [51.44506007844284]
  内視鏡下粘膜下郭清術における高精度かつリアルタイムなランドマーク検出のための形状認識型関係ネットワークを提案する。 まず,ランドマーク間の空間的関係に関する先行知識を直感的に表現する関係キーポイント・ヒートマップを自動生成するアルゴリズムを考案する。 次に、事前知識を学習プロセスに段階的に組み込むために、2つの補完的な正規化手法を開発する。
  論文  参考訳（メタデータ） (2021-11-08T07:57:30Z)
• 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)
• BiteNet: Bidirectional Temporal Encoder Network to Predict Medical Outcomes [53.163089893876645]
  本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。 エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。 実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
  論文  参考訳（メタデータ） (2020-09-24T00:42:36Z)

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。