論文の概要: MAGIC: Multi-task Gaussian process for joint imputation and classification in healthcare time series

• arxiv url: http://arxiv.org/abs/2509.19577v1
• Date: Tue, 23 Sep 2025 21:02:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-25 20:53:19.607105
• Title: MAGIC: Multi-task Gaussian process for joint imputation and classification in healthcare time series
• Title（参考訳）: MRIC : 医療時系列における複数タスクガウス法と共同計算・分類法
• Authors: Dohyun Ku, Catherine D. Chong, Visar Berisha, Todd J. Schwedt, Jing Li,
• Abstract要約: 医療アプリケーションにおける患者の診断と管理を改善する重要なツールとして時系列分析が登場している。 従来のアプローチでは、計算の2段階のプロセスを経てこれらの問題に対処し、予測を行う。 本稿では,クラスインフォームド不足値計算とラベル予測を同時に行う新しい統一フレームワークMAGICを提案する。
• 参考スコア（独自算出の注目度）: 10.669429742428639
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Time series analysis has emerged as an important tool for improving patient diagnosis and management in healthcare applications. However, these applications commonly face two critical challenges: time misalignment and data sparsity. Traditional approaches address these issues through a two-step process of imputation followed by prediction. We propose MAGIC (Multi-tAsk Gaussian Process for Imputation and Classification), a novel unified framework that simultaneously performs class-informed missing value imputation and label prediction within a hierarchical multi-task Gaussian process coupled with functional logistic regression. To handle intractable likelihood components, MAGIC employs Taylor expansion approximations with bounded error analysis, and parameter estimation is performed using EM algorithm with block coordinate optimization supported by convergence analysis. We validate MAGIC through two healthcare applications: prediction of post-traumatic headache improvement following mild traumatic brain injury and prediction of in-hospital mortality within 48 hours after ICU admission. In both applications, MAGIC achieves superior predictive accuracy compared to existing methods. The ability to generate real-time and accurate predictions with limited samples facilitates early clinical assessment and treatment planning, enabling healthcare providers to make more informed treatment decisions.
• Abstract（参考訳）: 医療アプリケーションにおける患者の診断と管理を改善する重要なツールとして時系列分析が登場している。 しかし、これらのアプリケーションは通常、時間的ミスアライメントとデータの分散という2つの重要な課題に直面します。 従来のアプローチでは、計算の2段階のプロセスを経てこれらの問題に対処し、予測を行う。 本稿では,階層型マルチタスクガウス過程と機能的ロジスティック回帰を併せ持つ階層型マルチタスクガウス過程において,クラスインフォームド不足値計算とラベル予測を同時に行う新しい統一フレームワークMAGICを提案する。 難易度成分を扱うため、MAGICはテイラー展開近似と境界誤差解析を併用し、収束解析で支持されるブロック座標最適化を用いたEMアルゴリズムを用いてパラメータ推定を行う。 ICU入院48時間以内に軽度外傷性脳損傷後の外傷後頭痛改善の予測と院内死亡の予測の2つの医療応用を通じてMAGICを検証した。 どちらのアプリケーションでも、MAGICは既存の手法に比べて予測精度が優れている。 限られたサンプルでリアルタイムかつ正確な予測を生成する能力は、早期臨床評価と治療計画を促進する。

関連論文リスト

• Uncertainty-aware abstention in medical diagnosis based on medical texts [87.88110503208016]
  本研究は,AI支援医療診断における信頼性の重要課題について論じる。 本研究は,診断に自信がなければ,診断システムによる意思決定の回避を可能にする選択予測手法に焦点をあてる。 我々は、選択予測タスクにおける信頼性を高めるための新しい最先端手法であるHUQ-2を紹介する。
  論文  参考訳（メタデータ） (2025-02-25T10:15:21Z)
• Reasoning-Enhanced Healthcare Predictions with Knowledge Graph Community Retrieval [61.70489848327436]
  KAREは、知識グラフ(KG)コミュニティレベルの検索と大規模言語モデル(LLM)推論を統合する新しいフレームワークである。 MIMIC-IIIでは最大10.8～15.0%、MIMIC-IVでは12.6～12.7%である。
  論文  参考訳（メタデータ） (2024-10-06T18:46:28Z)
• Uncertainty Quantification in Machine Learning Based Segmentation: A Post-Hoc Approach for Left Ventricle Volume Estimation in MRI [0.0]
  左室容積推定は各種心血管疾患の診断・管理に重要である。 近年の機械学習、特にU-Netのような畳み込みネットワークは、医療画像の自動セグメンテーションを促進している。 本研究では,LV容積予測におけるポストホック不確実性推定のための新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-10-30T13:44:55Z)
• 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)
• Monitoring machine learning (ML)-based risk prediction algorithms in the presence of confounding medical interventions [4.893345190925178]
  医療における機械学習(ML)に基づくリスク予測モデルの性能モニタリングは、整合医療介入(CMI)の問題によって複雑化している。 単純なアプローチは、CMIを無視し、治療を受けていない患者のみを監視することである。 条件付き性能をモニタし、条件付き交換性や時間的選択バイアスが保たれている場合、有効な推論が可能であることを示す。
  論文  参考訳（メタデータ） (2022-11-17T18:54:34Z)
• Clinically-Inspired Multi-Agent Transformers for Disease Trajectory Forecasting from Multimodal Data [13.766035805437847]
  予測問題を一対多の予測問題として定式化する。 2つのエージェントによる臨床的意思決定プロセスにインスパイアされ、2つのトランスフォーマーベースコンポーネントによる予後を予測する。 本研究は, 変形性膝関節症の発生を予測し, 生のマルチモーダルデータから直接アルツハイマー病の臨床像を予測するためのアプローチの有効性を示す。
  論文  参考訳（メタデータ） (2022-10-25T10:16:42Z)
• 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)
• BiteNet: Bidirectional Temporal Encoder Network to Predict Medical Outcomes [53.163089893876645]
  本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。 エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。 実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
  論文  参考訳（メタデータ） (2020-09-24T00:42:36Z)

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。