論文の概要: Uncertainty-Aware Prediction of Parkinson's Disease Medication Needs: A Two-Stage Conformal Prediction Approach

• arxiv url: http://arxiv.org/abs/2508.10284v1
• Date: Thu, 14 Aug 2025 02:22:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-15 22:24:48.157099
• Title: Uncertainty-Aware Prediction of Parkinson's Disease Medication Needs: A Two-Stage Conformal Prediction Approach
• Title（参考訳）: パーキンソン病治療における不確かさの予測 : 2段階のコンフォーマル予測アプローチ
• Authors: Ricardo Diaz-Rincon, Muxuan Liang, Adolfo Ramirez-Zamora, Benjamin Shickel,
• Abstract要約: 現在のアプローチは、体系的な予測方法のない試行錯誤決定に依存している。 機械学習の進歩にもかかわらず、ポイント予測に依存するため、臨床導入は限定的である。 医薬品の需要を最大2年間予測するコンフォメーション予測フレームワークを開発した。
• 参考スコア（独自算出の注目度）: 0.7698244331796432
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Parkinson's Disease (PD) medication management presents unique challenges due to heterogeneous disease progression and treatment response. Neurologists must balance symptom control with optimal dopaminergic dosing based on functional disability while minimizing side effects. This balance is crucial as inadequate or abrupt changes can cause levodopa-induced dyskinesia, wearing off, and neuropsychiatric effects, significantly reducing quality of life. Current approaches rely on trial-and-error decisions without systematic predictive methods. Despite machine learning advances, clinical adoption remains limited due to reliance on point predictions that do not account for prediction uncertainty, undermining clinical trust and utility. Clinicians require not only predictions of future medication needs but also reliable confidence measures. Without quantified uncertainty, adjustments risk premature escalation to maximum doses or prolonged inadequate symptom control. We developed a conformal prediction framework anticipating medication needs up to two years in advance with reliable prediction intervals and statistical guarantees. Our approach addresses zero-inflation in PD inpatient data, where patients maintain stable medication regimens between visits. Using electronic health records from 631 inpatient admissions at University of Florida Health (2011-2021), our two-stage approach identifies patients likely to need medication changes, then predicts required levodopa equivalent daily dose adjustments. Our framework achieved marginal coverage while reducing prediction interval lengths compared to traditional approaches, providing precise predictions for short-term planning and wider ranges for long-term forecasting. By quantifying uncertainty, our approach enables evidence-based decisions about levodopa dosing, optimizing symptom control while minimizing side effects and improving life quality.
• Abstract（参考訳）: パーキンソン病(PD)の薬物管理は、異種性疾患の進行と治療反応による固有の課題を呈する。 神経科医は、副作用を最小限に抑えつつ、機能障害に基づく最適なドパミン作動薬による症状制御のバランスをとる必要がある。 このバランスは、不適切なあるいは急激な変化がレボドーパ誘発性ジスキネジア、脱落、神経精神医学的効果を引き起こす可能性があり、生活の質を著しく低下させる。 現在のアプローチは、体系的な予測方法のない試行錯誤決定に依存している。 機械学習の進歩にもかかわらず、予測の不確実性を考慮せず、臨床信頼と実用性を損なう点予測に依存するため、臨床導入は依然として限られている。 臨床医は将来的な医薬品の必要性の予測だけでなく、信頼できる信頼性の尺度も必要である。 定量化された不確実性がなければ、最大用量への早急なエスカレーションや、不適切な症状の制御が長引く。 本研究は,医薬品需要を最大2年間予測し,予測間隔と統計的保証を付与するコンフォメーション予測フレームワークを開発した。 本研究は,患者が来院者間で安定的な薬物療法を継続するPD入院患者データにおけるゼロ・インフレーションに対処するものである。 フロリダ健康大学(2011-2021)の入院患者631名から得られた電子的健康記録を用いて,2段階のアプローチで患者が治療を必要とする可能性を認識し,必要なレボドーパ相当の日用量調整を予測した。 提案手法は,従来の手法と比較して予測間隔を短縮し,短期計画の正確な予測と長期予測の幅広い範囲を提供するとともに,限界範囲のカバレッジを実現した。 不確実性を定量化することにより,レボドーパ投与に関するエビデンスに基づく決定を可能にし,副作用を最小限に抑えつつ症状制御を最適化し,生活の質を向上させる。

関連論文リスト

• SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
  セプシスは米国での院内死亡の主な原因である。 既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。 限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-24T04:47:36Z)
• Preictal Period Optimization for Deep Learning-Based Epileptic Seizure Prediction [0.0]
  我々は頭皮脳波(EEG)信号を用いた発作予測のための競合的深層学習モデルを開発した。 オープンアクセス型CHB-MITデータセットを対象とした19名の小児患者を対象に,本モデルを訓練・評価した。 各患者のOPPを用いて、平均感度は99.31%、特異性は95.34%、AUCは99.35%、F1-スコアは97.46%と正しく同定された。
  論文  参考訳（メタデータ） (2024-07-20T13:49:14Z)
• Modeling methodology for the accurate and prompt prediction of symptomatic events in chronic diseases [0.0]
  慢性疾患における症状発生の予測は、症状が起こる前に決定を下すことができる。 本報告では,慢性疾患の症状的危機の予測限界について検討する。
  論文  参考訳（メタデータ） (2024-02-15T08:30:50Z)
• HypUC: Hyperfine Uncertainty Calibration with Gradient-boosted Corrections for Reliable Regression on Imbalanced Electrocardiograms [3.482894964998886]
  本稿では,医療時系列における不均衡確率回帰の枠組みであるHypUCを提案する。 HypUCは数百万の患者から収集された、多様で現実世界のECGデータセットで評価されている。
  論文  参考訳（メタデータ） (2023-11-23T06:17:31Z)
• Quantifying predictive uncertainty of aphasia severity in stroke patients with sparse heteroscedastic Bayesian high-dimensional regression [47.1405366895538]
  高次元データに対する疎線型回帰法は、通常、残留物が一定の分散を持つと仮定するが、これは実際には破ることができる。 本稿では,ヘテロセダスティック分割経験的ベイズ期待条件最大化アルゴリズムを用いて,高次元ヘテロセダスティック線形回帰モデルを推定する。
  論文  参考訳（メタデータ） (2023-09-15T22:06:29Z)
• Toward Reliable Human Pose Forecasting with Uncertainty [51.628234388046195]
  我々は、複数のモデルを含む人間のポーズ予測のためのオープンソースのライブラリを開発し、複数のデータセットをサポートする。 我々は、パフォーマンスを高め、より良い信頼をもたらすために、問題の2つの不確実性を考案する。
  論文  参考訳（メタデータ） (2023-04-13T17:56:08Z)
• When in Doubt: Neural Non-Parametric Uncertainty Quantification for Epidemic Forecasting [70.54920804222031]
  既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。 不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。 本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
  論文  参考訳（メタデータ） (2021-06-07T18:31:47Z)
• Increasing the efficiency of randomized trial estimates via linear adjustment for a prognostic score [59.75318183140857]
  ランダム化実験による因果効果の推定は臨床研究の中心である。 歴史的借用法のほとんどは、厳格なタイプiエラー率制御を犠牲にして分散の削減を達成する。
  論文  参考訳（メタデータ） (2020-12-17T21:10:10Z)
• Prediction-Coherent LSTM-based Recurrent Neural Network for Safer Glucose Predictions in Diabetic People [4.692400531340393]
  本稿では,予測の安定性を高めるLSTMに基づくリカレントニューラルネットワークアーキテクチャと損失関数を提案する。 研究は1型と2型糖尿病患者を対象に行われ、30分前の予測に焦点をあてた。
  論文  参考訳（メタデータ） (2020-09-08T13:14:08Z)

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。