論文の概要: Chain-of-Influence: Tracing Interdependencies Across Time and Features in Clinical Predictive Modelings

• arxiv url: http://arxiv.org/abs/2510.09895v1
• Date: Fri, 10 Oct 2025 22:20:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 18:06:29.676291
• Title: Chain-of-Influence: Tracing Interdependencies Across Time and Features in Clinical Predictive Modelings
• Title（参考訳）: チェーン・オブ・インフルエンス:臨床予測モデルにおける時間的・特徴的相互依存性の追跡
• Authors: Yubo Li, Rema Padman,
• Abstract要約: カオス・オブ・インフルエンス(Chain-of-Influence, CoI)は、機能相互作用の明示的な時間展開グラフを構築する、解釈可能なディープラーニングフレームワークである。 MIMIC-IVデータセットと民間慢性腎臓病コホートを用いて, 死亡率と疾患進行に関するCoIの評価を行った。
• 参考スコア（独自算出の注目度）: 9.057609869168957
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modeling clinical time-series data is hampered by the challenge of capturing latent, time-varying dependencies among features. State-of-the-art approaches often rely on black-box mechanisms or simple aggregation, failing to explicitly model how the influence of one clinical variable propagates through others over time. We propose $\textbf{Chain-of-Influence (CoI)}$, an interpretable deep learning framework that constructs an explicit, time-unfolded graph of feature interactions. CoI leverages a multi-level attention architecture: first, a temporal attention layer identifies critical time points in a patient's record; second, a cross-feature attention layer models the directed influence from features at these time points to subsequent features. This design enables the tracing of influence pathways, providing a granular audit trail that shows how any feature at any time contributes to the final prediction, both directly and through its influence on other variables. We evaluate CoI on mortality and disease progression tasks using the MIMIC-IV dataset and a private chronic kidney disease cohort. Our framework significantly outperforms existing methods in predictive accuracy. More importantly, through case studies, we show that CoI can uncover clinically meaningful, patient-specific patterns of disease progression that are opaque to other models, offering unprecedented transparency into the temporal and cross-feature dependencies that inform clinical decision-making.
• Abstract（参考訳）: 臨床時系列データのモデル化は、機能間の潜時的・時間的依存を捉えるという課題によって妨げられる。 最先端のアプローチはしばしばブラックボックスのメカニズムや単純な集約に依存し、ある臨床変数の影響が時間とともに他の変数を通してどのように伝播するかを明示的にモデル化しなかった。 Influence(CoI)$は、機能相互作用の明示的な時間展開グラフを構成する、解釈可能なディープラーニングフレームワークである。 CoIはマルチレベルアテンションアーキテクチャを活用している。第1に、時間的アテンション層は患者の記録における重要なタイムポイントを識別し、第2に、クロスフィーチャーアテンション層は、これらの時間における特徴からの指示された影響を、その後の特徴にモデル化する。 この設計は影響経路のトレースを可能にし、任意の機能がどのように最終的な予測にどのように貢献するかを示す詳細な監査証跡を提供する。 MIMIC-IVデータセットと民間慢性腎臓病コホートを用いて, 死亡率と疾患進行に関するCoIの評価を行った。 我々のフレームワークは予測精度で既存の手法を著しく上回っている。 さらに、ケーススタディを通じて、CoIは他のモデルに不透明な、臨床的に有意義で患者固有の疾患進行パターンを明らかにし、臨床意思決定を知らせる時間的および横断的な依存関係に対して前例のない透明性を提供することを示した。

関連論文リスト

• Beyond the ATE: Interpretable Modelling of Treatment Effects over Dose and Time [46.2482873419289]
  本研究では, 治療効果トラジェクトリを線量および時間とともに滑らかな表面としてモデル化する枠組みを提案する。 本研究は, 臨床的に有意な特性の特定から, 軌道形状の推定を分離する。 本手法は, 処理力学の精度, 解釈可能, 編集可能なモデルを生成する。
  論文  参考訳（メタデータ） (2025-07-09T20:33:33Z)
• No Black Box Anymore: Demystifying Clinical Predictive Modeling with Temporal-Feature Cross Attention Mechanism [8.752392376219722]
  TFCAM(Temporal-Feature Cross Attention Mechanism)は、臨床機能間の動的相互作用を時間をかけて捉えるための新しいディープラーニングフレームワークである。 慢性腎臓病の1,422人を対象に行った実験では、TFCAMはLSTMおよびRETAINベースラインに優れ、AUROCは0.95、F1スコアは0.69であった。
  論文  参考訳（メタデータ） (2025-03-25T02:35:08Z)
• CTPD: Cross-Modal Temporal Pattern Discovery for Enhanced Multimodal Electronic Health Records Analysis [46.56667527672019]
  マルチモーダルEHRデータから有意な時間的パターンを効率的に抽出するために,CTPD(Cross-Modal Temporal Pattern Discovery)フレームワークを導入する。 提案手法では,時間的セマンティックな埋め込みを生成するためにスロットアテンションを用いて改良された時間的パターン表現を提案する。
  論文  参考訳（メタデータ） (2024-11-01T15:54:07Z)
• 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)
• 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)
• Disentangled Counterfactual Recurrent Networks for Treatment Effect Inference over Time [71.30985926640659]
  本稿では,DCRN(Disentangled Counterfactual Recurrent Network)を提案する。 時間とともに治療効果の因果構造に完全にインスパイアされたアーキテクチャでは、予測精度と疾患理解が向上する。 実データとシミュレーションデータの両方において,DCRNが処理応答予測の最先端手法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-12-07T16:40:28Z)
• Trajectories, bifurcations and pseudotime in large clinical datasets: applications to myocardial infarction and diabetes data [94.37521840642141]
  混合データ型と欠落値を特徴とする大規模臨床データセット分析のための半教師付き方法論を提案する。 この手法は、次元の減少、データの可視化、クラスタリング、特徴の選択と、部分的に順序付けられた観測列における測地距離(擬時)の定量化のタスクを同時に扱うことのできる弾性主グラフの適用に基づいている。
  論文  参考訳（メタデータ） (2020-07-07T21:04:55Z)
• Learning Dynamic and Personalized Comorbidity Networks from Event Data using Deep Diffusion Processes [102.02672176520382]
  コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。 電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。 我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
  論文  参考訳（メタデータ） (2020-01-08T15:47:08Z)

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。