論文の概要: Signal Fidelity Index-Aware Calibration for Dementia Predictions Across Heterogeneous Real-World Data

• arxiv url: http://arxiv.org/abs/2509.08679v1
• Date: Wed, 10 Sep 2025 15:19:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-11 15:16:52.470424
• Title: Signal Fidelity Index-Aware Calibration for Dementia Predictions Across Heterogeneous Real-World Data
• Title（参考訳）: 不均一実世界データにおける認知症予測のための信号忠実度指標による校正
• Authors: Jingya Cheng, Jiazi Tian, Federica Spoto, Alaleh Azhir, Daniel Mork, Hossein Estiri,
• Abstract要約: 認知症患者レベルでのSFI(Signal Fidelity Index)診断データ品質について検討した。 結果ラベルのない異種データセットにおけるモデル性能向上のためのSFI対応キャリブレーションを検証した。
• 参考スコア（独自算出の注目度）: 1.741250583668341
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: \textbf{Background:} Machine learning models trained on electronic health records (EHRs) often degrade across healthcare systems due to distributional shift. A fundamental but underexplored factor is diagnostic signal decay: variability in diagnostic quality and consistency across institutions, which affects the reliability of codes used for training and prediction. \textbf{Objective:} To develop a Signal Fidelity Index (SFI) quantifying diagnostic data quality at the patient level in dementia, and to test SFI-aware calibration for improving model performance across heterogeneous datasets without outcome labels. \textbf{Methods:} We built a simulation framework generating 2,500 synthetic datasets, each with 1,000 patients and realistic demographics, encounters, and coding patterns based on dementia risk factors. The SFI was derived from six interpretable components: diagnostic specificity, temporal consistency, entropy, contextual concordance, medication alignment, and trajectory stability. SFI-aware calibration applied a multiplicative adjustment, optimized across 50 simulation batches. \textbf{Results:} At the optimal parameter ($\alpha$ = 2.0), SFI-aware calibration significantly improved all metrics (p $<$ 0.001). Gains ranged from 10.3\% for Balanced Accuracy to 32.5\% for Recall, with notable increases in Precision (31.9\%) and F1-score (26.1\%). Performance approached reference standards, with F1-score and Recall within 1\% and Balanced Accuracy and Detection Rate improved by 52.3\% and 41.1\%, respectively. \textbf{Conclusions:} Diagnostic signal decay is a tractable barrier to model generalization. SFI-aware calibration provides a practical, label-free strategy to enhance prediction across healthcare contexts, particularly for large-scale administrative datasets lacking outcome labels.
• Abstract（参考訳）: \textbf{Background:} 電子健康記録(EHR)に基づいてトレーニングされた機械学習モデルは、分散シフトによって医療システム全体で劣化することが多い。 診断信号の劣化: 診断品質の変動と機関間の整合性であり、訓練や予測に使用されるコードの信頼性に影響を与える。 \textbf{Objective:} 認知症における患者レベルでの診断データ品質を定量化する信号忠実度指標(SFI)を開発し、結果ラベルのない異種データセット間のモデル性能を改善するためのSFI対応校正をテストする。 そこで我々は,認知症リスクファクターに基づく,1,000人の患者と現実的な人口統計,出会い,コーディングパターンを含む2500の合成データセットを生成するシミュレーションフレームワークを構築した。 SFIは, 診断特異性, 時間的整合性, エントロピー, 文脈的一致, 薬物調整, 軌道安定性の6つの解釈可能な成分から派生した。 SFI対応キャリブレーションは50個のシミュレーションバッチに最適化された乗法的調整を適用した。 \textbf{Results:} 最適なパラメータ($\alpha$ = 2.0)では、SFI対応キャリブレーションによってすべてのメトリクスが大幅に改善された(p$<$ 0.001)。 リコールでは10.3\%、リコールでは32.5\%、精度(31.9\%)とF1スコア(26.1\%)が顕著に増加した。 性能は基準基準に近づき、F1スコアとリコールは1\%で、バランスの取れた精度と検出率はそれぞれ52.3\%と41.1\%改善した。 \textbf{Conclusions:} 診断信号減衰はモデル一般化の難関である。 SFI対応キャリブレーションは、特に結果ラベルを欠いた大規模管理データセットにおいて、医療コンテキスト全体の予測を強化するための実用的なラベルフリー戦略を提供する。

関連論文リスト

• Advancing Tabular Stroke Modelling Through a Novel Hybrid Architecture and Feature-Selection Synergy [0.9999629695552196]
  本研究は、ストロークを予測するように設計されたデータ駆動型、解釈可能な機械学習フレームワークを開発し、検証する。 定期的に収集された人口統計、生活習慣、臨床変数は4,981件の公的なコホートから得られた。 提案したモデルでは精度97.2%、F1スコア97.15%が達成され、先行する個人モデルと比較して大幅に向上した。
  論文  参考訳（メタデータ） (2025-05-18T21:46:45Z)
• Graph-Based Fault Diagnosis for Rotating Machinery: Adaptive Segmentation and Structural Feature Integration [0.0]
  本稿では,回転機械における頑健かつ解釈可能なマルチクラス故障診断のためのグラフベースフレームワークを提案する。 エントロピー最適化信号セグメンテーション、時間周波数特徴抽出、グラフ理論モデリングを統合し、振動信号を構造化表現に変換する。 提案手法は,2つのベンチマークデータセットで評価した場合,高い診断精度を実現する。
  論文  参考訳（メタデータ） (2025-04-29T13:34:52Z)
• Uncertainty-aware Long-tailed Weights Model the Utility of Pseudo-labels for Semi-supervised Learning [50.868594148443215]
  本研究では,不確かさを意識したアンサンブル構造(UES)を提案する。 UESは軽量でアーキテクチャに依存しないため、分類や回帰を含む様々なコンピュータビジョンタスクに容易に拡張できる。
  論文  参考訳（メタデータ） (2025-03-13T02:21:04Z)
• EVolutionary Independent DEtermiNistiC Explanation [5.127310126394387]
  本稿では進化的独立決定論的説明(EVIDENCE)理論を紹介する。 EVIDENCEはブラックボックスモデルから重要な信号を抽出する決定論的、モデルに依存しない方法を提供する。 EVIDENCEの実践的応用は、医療における診断精度の向上と音声信号分析の強化である。
  論文  参考訳（メタデータ） (2025-01-20T12:05:14Z)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• 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)
• Ensemble model for pre-discharge icd10 coding prediction [45.82374977939355]
  正確なコード予測のための複数の臨床データソースを組み込んだアンサンブルモデルを提案する。 平均精度は0.73および0.58、F1スコアは0.56および0.35、患者および外来データセットの主診断予測では0.71および0.4のマルチラベル分類精度を得る。
  論文  参考訳（メタデータ） (2020-12-16T07:02:56Z)
• 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)

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。