論文の概要: Prediction of Survival Outcomes under Clinical Presence Shift: A Joint Neural Network Architecture

• arxiv url: http://arxiv.org/abs/2508.05472v1
• Date: Thu, 07 Aug 2025 15:12:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-08 18:59:39.918863
• Title: Prediction of Survival Outcomes under Clinical Presence Shift: A Joint Neural Network Architecture
• Title（参考訳）: 臨床状況変化による生存率予測 : 統合ニューラルネットワークアーキテクチャ
• Authors: Vincent Jeanselme, Glen Martin, Matthew Sperrin, Niels Peek, Brian Tom, Jessica Barrett,
• Abstract要約: 本稿では,観測時間と欠落過程を共同でモデル化するマルチタスク・リカレントニューラルネットワークを提案する。 本研究は,予測モデルが新たな環境に展開される際の臨床存在変化の概念を定式化したものである。 提案手法は, 最先端予測モデルと比較して, 性能と輸送性が向上することを示す。
• 参考スコア（独自算出の注目度）: 2.2770321534391114
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Electronic health records arise from the complex interaction between patients and the healthcare system. This observation process of interactions, referred to as clinical presence, often impacts observed outcomes. When using electronic health records to develop clinical prediction models, it is standard practice to overlook clinical presence, impacting performance and limiting the transportability of models when this interaction evolves. We propose a multi-task recurrent neural network that jointly models the inter-observation time and the missingness processes characterising this interaction in parallel to the survival outcome of interest. Our work formalises the concept of clinical presence shift when the prediction model is deployed in new settings (e.g. different hospitals, regions or countries), and we theoretically justify why the proposed joint modelling can improve transportability under changes in clinical presence. We demonstrate, in a real-world mortality prediction task in the MIMIC-III dataset, how the proposed strategy improves performance and transportability compared to state-of-the-art prediction models that do not incorporate the observation process. These results emphasise the importance of leveraging clinical presence to improve performance and create more transportable clinical prediction models.
• Abstract（参考訳）: 電子的な健康記録は、患者と医療システムの間の複雑な相互作用から生じる。 臨床的存在と呼ばれるこの相互作用の観察過程は、しばしば観察された結果に影響を与える。 電子健康記録を用いて臨床予測モデルを開発する際には、臨床存在を見落とし、パフォーマンスに影響を与え、この相互作用が進化するときにモデルの輸送性を制限するのが一般的である。 本稿では,この相互作用を,関心の生存結果と並行して特徴付ける,観測間時間と不足過程を協調的にモデル化するマルチタスク・リカレントニューラルネットワークを提案する。 本研究は, 新たな状況(例えば, 病院, 地域, 国)に予測モデルが配置された場合, 臨床存在変化の概念を定式化し, 提案した関節モデルが臨床存在変化の下で輸送性を向上させる理由を理論的に正当化する。 我々は,MIMIC-IIIデータセットの現実の死亡予測タスクにおいて,提案手法が観測過程を組み込まない最先端予測モデルと比較して,性能と輸送性を改善する方法を示す。 これらの結果は, 臨床存在の活用によるパフォーマンス向上と, より輸送可能な臨床予測モデルの構築の重要性を強調した。

関連論文リスト

• Predictive Causal Inference via Spatio-Temporal Modeling and Penalized Empirical Likelihood [0.0]
  本研究では,従来の単一モデルアプローチの制約を克服する目的で設計された,予測因果推論のための統合フレームワークを提案する。 具体的には、空間的健康状態推定のための隠れマルコフモデルと、時間的結果の軌跡を捉えるためのマルチタスクとマルチグラフ畳み込みネットワーク(MTGCN)を組み合わせる。 有用性を示すために,がん,認知症,パーキンソン病などの臨床領域に焦点を当て,治療効果を直接観察することが困難である。
  論文  参考訳（メタデータ） (2025-07-11T03:11:15Z)
• Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
  そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。 また,死亡率と臓器不全の関連性について有意な知見が得られた。
  論文  参考訳（メタデータ） (2024-07-28T02:42:36Z)
• Personalized Event Prediction for Electronic Health Records [7.224184629864593]
  臨床イベントシーケンスは、時間内の患者のケアの記録を表す数百の臨床イベントから構成される。 臨床シーケンスの予測モデルを学ぶ上で重要な課題は、患者固有の多様性である。
  論文  参考訳（メタデータ） (2023-08-21T20:03:16Z)
• Counterfactual Explanations and Predictive Models to Enhance Clinical Decision-Making in Schizophrenia using Digital Phenotyping [0.966840768820136]
  統合失調症患者の症状の個人的変化を予測・検出・説明できる機械学習システムを提案する。 このシステムは、変更点アルゴリズムを用いて症状の減少を検知し、医療におけるシミュレーションされた継続的監視シナリオにおけるリコースとして反ファクト的説明を用いる。
  論文  参考訳（メタデータ） (2023-06-06T19:33:03Z)
• Prediction of Post-Operative Renal and Pulmonary Complications Using Transformers [69.81176740997175]
  術後急性腎不全,肺合併症,院内死亡の予測におけるトランスフォーマーモデルの有用性について検討した。 以上の結果から,トランスフォーマーモデルにより術後合併症の予測や従来の機械学習モデルよりも優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2023-06-01T14:08:05Z)
• 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)
• DeepJoint: Robust Survival Modelling Under Clinical Presence Shift [2.9745607433320926]
  本稿では,生存率と平行な3つの臨床的存在次元をモデル化したリカレントニューラルネットワークを提案する。 予測タスクでは、これらの3つのプロセスの明示的なモデリングにより、最先端の予測モデルと比較して性能が向上した。
  論文  参考訳（メタデータ） (2022-05-26T16:42:38Z)
• 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)
• MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
  本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。 我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。 我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
  論文  参考訳（メタデータ） (2020-10-08T15:30:17Z)

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。