論文の概要: Towards Trustworthy Vital Sign Forecasting: Leveraging Uncertainty for Prediction Intervals

• arxiv url: http://arxiv.org/abs/2509.01319v1
• Date: Mon, 01 Sep 2025 10:03:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.633692
• Title: Towards Trustworthy Vital Sign Forecasting: Leveraging Uncertainty for Prediction Intervals
• Title（参考訳）: 信頼できるバイタルサイン予測に向けて:予測間隔の不確実性を活用する
• Authors: Li Rong Wang, Thomas C. Henderson, Yew Soon Ong, Yih Yng Ng, Xiuyi Fan,
• Abstract要約: 本稿では,不確実性評価(Restruction Uncertainty Estimate, RUE)からPIを導出する2つの手法を提案する。 これらの手法を、高頻度および低頻度の健康信号を表わし、分・時間レベルのサンプリングを施した2つの大規模公共データセット上で評価した。
• 参考スコア（独自算出の注目度）: 32.233133404873016
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vital signs, such as heart rate and blood pressure, are critical indicators of patient health and are widely used in clinical monitoring and decision-making. While deep learning models have shown promise in forecasting these signals, their deployment in healthcare remains limited in part because clinicians must be able to trust and interpret model outputs. Without reliable uncertainty quantification -- particularly calibrated prediction intervals (PIs) -- it is unclear whether a forecasted abnormality constitutes a meaningful warning or merely reflects model noise, hindering clinical decision-making. To address this, we present two methods for deriving PIs from the Reconstruction Uncertainty Estimate (RUE), an uncertainty measure well-suited to vital-sign forecasting due to its sensitivity to data shifts and support for label-free calibration. Our parametric approach assumes that prediction errors and uncertainty estimates follow a Gaussian copula distribution, enabling closed-form PI computation. Our non-parametric approach, based on k-nearest neighbours (KNN), empirically estimates the conditional error distribution using similar validation instances. We evaluate these methods on two large public datasets with minute- and hour-level sampling, representing high- and low-frequency health signals. Experiments demonstrate that the Gaussian copula method consistently outperforms conformal prediction baselines on low-frequency data, while the KNN approach performs best on high-frequency data. These results underscore the clinical promise of RUE-derived PIs for delivering interpretable, uncertainty-aware vital sign forecasts.
• Abstract（参考訳）: 心拍数や血圧などのバイタルサインは患者の健康を示す重要な指標であり、臨床モニタリングや意思決定に広く用いられている。 深層学習モデルは、これらのシグナルを予測する上で有望であることを示しているが、その医療への展開は、部分的には、臨床医がモデルのアウトプットを信頼し解釈できなければならないため、制限されている。 信頼性の高い不確実性定量化 -- 特に校正された予測間隔(PI) -- がなければ、予測された異常が有意義な警告を構成するのか、単にモデルノイズを反映しているだけなのかははっきりしない。 そこで本研究では,データシフトに対する感度とラベルフリーキャリブレーションのサポートにより,バイタルサイン予測に適した不確実性尺度であるRestructation Uncertainity Estimate (RUE) からPIを導出する2つの手法を提案する。 パラメトリックな手法では、予測誤差と不確実性推定がガウスのコプラ分布に従っており、クローズドフォームPI計算が可能であると仮定する。 KNN(k-nearest neighbors)に基づく我々の非パラメトリックアプローチは、類似の検証インスタンスを用いて条件付き誤差分布を実験的に推定する。 これらの手法を、高頻度および低頻度の健康信号を表わし、分・時間レベルのサンプリングを施した2つの大規模公共データセット上で評価した。 実験により、ガウスコプラ法は低周波データに対する共形予測ベースラインを一貫して上回り、一方、KNN法は高周波データに対して最良であることが示された。 これらの結果は、RUE由来のPIが解釈可能で不確実性を認識したバイタルサイン予測を実現するための臨床的可能性を裏付けるものである。

関連論文リスト

• Hesitation is defeat? Connecting Linguistic and Predictive Uncertainty [2.8186733524862158]
  本稿では,ルールベースのラベルラによってラベル付けされた自由テキストレポートから推定される予測不確実性と人・言語不確実性との関係について検討する。 その結果,予測的不確実性と言語的不確実性との間には緩やかな相関関係がみられ,機械の不確実性と人間の解釈を整合させる上での課題が浮き彫りにされた。
  論文  参考訳（メタデータ） (2025-05-06T18:34:37Z)
• 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)
• Deep Evidential Learning for Radiotherapy Dose Prediction [0.0]
  本稿では放射線治療用線量予測分野におけるDeep Evidential Learningと呼ばれる不確実性定量化フレームワークの新たな応用法を提案する。 このモデルは,ネットワークトレーニング完了時の予測誤差と相関関係を持つ不確実性推定に有効に活用できることを見出した。
  論文  参考訳（メタデータ） (2024-04-26T02:43:45Z)
• 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)
• Uncertainty estimations methods for a deep learning model to aid in clinical decision-making -- a clinician's perspective [0.0]
  深層学習にインスパイアされた不確実性推定技術はいくつかあるが、医療データセットに実装されているものはほとんどない。 我々は,不確かさを推定するために,ドロップアウト変動推論(DO),テスト時間拡張(TTA),共形予測,単一決定論的手法を比較した。 臨床実習にモデルを組み込む前に,複数の推定手法を評価することが重要である。
  論文  参考訳（メタデータ） (2022-10-02T17:54:54Z)
• Improving Trustworthiness of AI Disease Severity Rating in Medical Imaging with Ordinal Conformal Prediction Sets [0.7734726150561088]
  統計的に厳密な不確実性定量化の欠如は、AI結果の信頼を損なう重要な要因である。 分布自由不確実性定量化の最近の進歩は、これらの問題に対する実用的な解決策である。 本稿では, 正しい狭窄の重症度を含むことが保証される順序予測セットを形成する手法を実証する。
  論文  参考訳（メタデータ） (2022-07-05T18:01:20Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)
• Learning to Predict Error for MRI Reconstruction [67.76632988696943]
  提案手法による予測の不確実性は予測誤差と強く相関しないことを示す。 本稿では,2段階の予測誤差の目標ラベルと大小を推定する新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-02-13T15:55:32Z)

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。