論文の概要: Generating realistic patient data

• arxiv url: http://arxiv.org/abs/2507.03423v1
• Date: Fri, 04 Jul 2025 09:29:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:34.7276
• Title: Generating realistic patient data
• Title（参考訳）: 現実的な患者データの生成
• Authors: Tabea Brandt, Christina Büsing, Johanna Leweke, Finn Seesemann, Sina Weber,
• Abstract要約: 患者間割当て問題(PRA)における実例の実現可能性に関する知見を提示する。 我々はこれらの知見を用いて、使いやすいグラフィカルユーザインタフェースでPRAのインスタンスジェネレータを開発する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Developing algorithms for real-life problems that perform well in practice highly depends on the availability of realistic data for testing. Obtaining real-life data for optimization problems in health care, however, is often difficult. This is especially true for any patient related optimization problems, e.g., for patient-to-room assignment, due to data privacy policies. Furthermore, obtained real-life data usually cannot be published which prohibits reproducibility of results by other researchers. Therefore, often artificially generated instances are used. In this paper, we present combinatorial insights about the feasibility of instances for the patient-to-room assignment problem (PRA). We use these insights to develop a configurable instance generator for PRA with an easy-to-use graphical user interface. Configurability is in this case especially important as we observed in an extensive analysis of real-life data that, e.g., the probability distribution for patients' age and length of stay depends on the respective ward.
• Abstract（参考訳）: 実際にうまく動作する実生活問題のアルゴリズムの開発は、テストのための現実的なデータの可用性に大きく依存する。 しかし、医療における最適化問題のための実生活データを取得することは、しばしば困難である。 これは特に、データプライバシポリシのため、患者間の割り当てなど、患者に関連する最適化の問題に当てはまる。 さらに、得られた実生活データは通常、他の研究者による結果の再現性を禁止した公開はできない。 そのため、しばしば人工的に生成されたインスタンスが使用される。 本稿では,患者間割り当て問題(PRA)のインスタンスの実現可能性について,総合的な考察を行った。 我々はこれらの知見を用いて、使い易いグラフィカルユーザインタフェースを備えたPRA用の構成可能なインスタンスジェネレータを開発する。 実生活データ(例えば、患者の年齢と滞在期間の確率分布)は、各病棟によって異なるが、この場合、構成性は特に重要である。

関連論文リスト

• A text-to-tabular approach to generate synthetic patient data using LLMs [0.3628457733531155]
  そこで本研究では,患者データへのアクセスを必要としない人工的な患者データを生成する手法を提案する。 我々は,大言語モデルの先行医療知識とコンテキスト内学習能力を活用して,現実的な患者データを生成する。
  論文  参考訳（メタデータ） (2024-12-06T16:10:40Z)
• SeqRisk: Transformer-augmented latent variable model for improved survival prediction with longitudinal data [4.1476925904032464]
  本研究では,変分オートエンコーダ (VAE) と長手VAE (LVAE) をトランスフォーマーエンコーダとコックス比例ハザードモジュールに結合してリスク予測を行う手法であるSeqRiskを提案する。 SeqRiskは、シミュレーションと実世界の両方のデータセットにおける既存のアプローチと比較して、競合的に機能することを示した。
  論文  参考訳（メタデータ） (2024-09-19T12:35:25Z)
• 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)
• Accounting For Informative Sampling When Learning to Forecast Treatment Outcomes Over Time [66.08455276899578]
  適切な基準を満たさない場合,情報サンプリングは治療結果の正確な推定を禁止できることが示唆された。 逆強度重み付けを用いた情報サンプリングの存在下での処理結果を学習するための一般的な枠組みを提案する。 本稿では,ニューラルCDEを用いてこのフレームワークをインスタンス化する新しい手法であるTESAR-CDEを提案する。
  論文  参考訳（メタデータ） (2023-06-07T08:51:06Z)
• Policy Optimization for Personalized Interventions in Behavioral Health [8.10897203067601]
  デジタルプラットフォームを通じて提供される行動的健康介入は、健康結果を大幅に改善する可能性がある。 患者に対するパーソナライズされた介入を最適化して長期的効果を最大化する問題について検討した。 患者システムの状態空間を個別のレベルに分解するDecompPIをダブする新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-03-21T21:42:03Z)
• FakeNews: GAN-based generation of realistic 3D volumetric data -- A systematic review and taxonomy [2.801317303396674]
  GAN(Generative Adversarial Networks)は、現実的な合成データを生成するために使用される。 本稿では,GANを用いたリアルなボリューム合成データを生成する作業の概要について述べる。
  論文  参考訳（メタデータ） (2022-07-04T13:14:37Z)
• Practical Challenges in Differentially-Private Federated Survival Analysis of Medical Data [57.19441629270029]
  本稿では,ニューラルネットワークの本質的特性を活用し,生存分析モデルの訓練過程を関連づける。 小さな医療データセットと少数のデータセンターの現実的な設定では、このノイズはモデルを収束させるのが難しくなります。 DPFed-post は,私的フェデレート学習方式に後処理の段階を追加する。
  論文  参考訳（メタデータ） (2022-02-08T10:03:24Z)
• Generalization of Neural Combinatorial Solvers Through the Lens of Adversarial Robustness [68.97830259849086]
  ほとんどのデータセットは単純なサブプロブレムのみをキャプチャし、おそらくは突発的な特徴に悩まされる。 本研究では, 局所的な一般化特性である対向ロバスト性について検討し, 厳密でモデル固有な例と突発的な特徴を明らかにする。 他のアプリケーションとは異なり、摂動モデルは知覚できないという主観的な概念に基づいて設計されているため、摂動モデルは効率的かつ健全である。 驚くべきことに、そのような摂動によって、十分に表現力のあるニューラルソルバは、教師あり学習で共通する正確さと悪質さのトレードオフの限界に悩まされない。
  論文  参考訳（メタデータ） (2021-10-21T07:28:11Z)
• 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)
• DeepRite: Deep Recurrent Inverse TreatmEnt Weighting for Adjusting Time-varying Confounding in Modern Longitudinal Observational Data [68.29870617697532]
  時系列データにおける時間変化の相違に対するDeep Recurrent Inverse TreatmEnt重み付け(DeepRite)を提案する。 DeepRiteは、合成データから基底的真理を復元し、実際のデータから偏りのない処理効果を推定する。
  論文  参考訳（メタデータ） (2020-10-28T15:05:08Z)

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。