論文の概要: Think as a Doctor: An Interpretable AI Approach for ICU Mortality Prediction

• arxiv url: http://arxiv.org/abs/2510.11745v1
• Date: Sat, 11 Oct 2025 14:57:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-15 21:19:14.948626
• Title: Think as a Doctor: An Interpretable AI Approach for ICU Mortality Prediction
• Title（参考訳）: 医師としての思考: ICU死亡予測のための解釈可能なAIアプローチ
• Authors: Qingwen Li, Xiaohang Zhao, Xiao Han, Hailiang Huang, Lanjuan Liu,
• Abstract要約: 本稿では,ICUの意思決定プラクティスの3つの要素をすべてその推論プロセスに統合しつつ,本質的な解釈性を実現する新しいICU死亡予測フレームワークを提案する。 ProtoDoctorには2つの重要なイノベーションがある: Prognostic Clinical Course IdentificationモジュールとDemographic Heterogeneity Recognitionモジュール。 ProtoDoctorは予測精度で最先端のベースラインを上回っている。
• 参考スコア（独自算出の注目度）: 7.809857381429602
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Intensive Care Unit (ICU) mortality prediction, which estimates a patient's mortality status at discharge using EHRs collected early in an ICU admission, is vital in critical care. For this task, predictive accuracy alone is insufficient; interpretability is equally essential for building clinical trust and meeting regulatory standards, a topic that has attracted significant attention in information system research. Accordingly, an ideal solution should enable intrinsic interpretability and align its reasoning with three key elements of the ICU decision-making practices: clinical course identification, demographic heterogeneity, and prognostication awareness. However, conventional approaches largely focus on demographic heterogeneity, overlooking clinical course identification and prognostication awareness. Recent prototype learning methods address clinical course identification, yet the integration of the other elements into such frameworks remains underexplored. To address these gaps, we propose ProtoDoctor, a novel ICU mortality prediction framework that delivers intrinsic interpretability while integrating all three elements of the ICU decision-making practices into its reasoning process. Methodologically, ProtoDoctor features two key innovations: the Prognostic Clinical Course Identification module and the Demographic Heterogeneity Recognition module. The former enables the identification of clinical courses via prototype learning and achieves prognostication awareness using a novel regularization mechanism. The latter models demographic heterogeneity through cohort-specific prototypes and risk adjustments. Extensive empirical evaluations demonstrate that ProtoDoctor outperforms state-of-the-art baselines in predictive accuracy. Human evaluations further confirm that its interpretations are more clinically meaningful, trustworthy, and applicable in ICU practice.
• Abstract（参考訳）: ICU(Intensive Care Unit)死亡率予測(ICU)は,ICU入院早期に収集したERHを用いて退院時の死亡率を推定する。 この課題のためには、予測精度だけでは不十分であり、臨床信頼の構築や規制基準の遵守には解釈可能性が不可欠であり、情報システム研究において大きな注目を集めているトピックである。 したがって、理想的な解法は、本質的な解釈可能性を可能にし、その推論を、臨床コース識別、人口的異質性、予後認識の3つの重要な要素と整合させるべきである。 しかし、従来のアプローチは、臨床コースの識別と予後の認識を見越して、人口動態の不均一性に重点を置いている。 近年の試行錯誤学習法では, 臨床経過の同定が試みられているが, その他の要素の枠組みへの統合は未検討である。 これらのギャップに対処するため、本研究では、ICUの意思決定プラクティスの3つの要素をすべてその推論プロセスに統合しつつ、本質的な解釈性を提供する、新しいICU死亡予測フレームワークであるProtoDoctorを提案する。 ProtoDoctorには2つの重要なイノベーションがある。 前者は、試作学習による臨床コースの同定を可能にし、新規な正規化機構を用いて予後認識を実現する。 後者は、コホート固有のプロトタイプとリスク調整を通じて、人口動態の不均一性をモデル化する。 広範囲にわたる経験的評価は、ProtoDoctorが予測精度で最先端のベースラインを上回っていることを示している。 人間の評価は、その解釈がより臨床的に意味があり、信頼できるものであり、ICUの実践に適用可能であることをさらに確認する。

関連論文リスト

• Ensemble Deep Learning and LLM-Assisted Reporting for Automated Skin Lesion Diagnosis [2.9307254086347427]
  皮膚科診断のためのAI統合を再定義する統合フレームワークを導入する。 第一に、アーキテクチャ的に多様である畳み込みニューラルネットワークの目的的にヘテロジニアスなアンサンブルは、相補的な診断の視点を提供する。 第2に、診断ワークフローに直接大きな言語モデル機能を組み込んで、分類出力を臨床的に意味のある評価に変換する。
  論文  参考訳（メタデータ） (2025-10-05T08:07:33Z)
• Multimodal Attention-Aware Fusion for Diagnosing Distal Myopathy: Evaluating Model Interpretability and Clinician Trust [19.107204920543676]
  遠位筋症は広範な臨床症状を呈する骨格筋疾患の一群である。 本稿では,2つの異なる深層学習モデルから抽出した特徴を組み合わせたマルチモーダル・アウェア・フュージョンアーキテクチャを提案する。 提案手法は,これらの特徴をアテンションゲート機構を通じて統合し,予測性能と解釈可能性の両方を向上させる。
  論文  参考訳（メタデータ） (2025-08-02T11:08:55Z)
• Medical Reasoning in the Era of LLMs: A Systematic Review of Enhancement Techniques and Applications [59.721265428780946]
  医学における大きな言語モデル(LLM)は印象的な能力を実現しているが、体系的で透明で検証可能な推論を行う能力に重大なギャップが残っている。 本稿は、この新興分野に関する最初の体系的なレビューを提供する。 本稿では,学習時間戦略とテスト時間メカニズムに分類した推論強化手法の分類法を提案する。
  論文  参考訳（メタデータ） (2025-08-01T14:41:31Z)
• Severity Classification of Chronic Obstructive Pulmonary Disease in Intensive Care Units: A Semi-Supervised Approach Using MIMIC-III Dataset [0.0]
  慢性閉塞性肺疾患(COPD)は、世界的な健康上の重荷となっている。 本研究では, COPD重大度分類のための革新的な機械学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-24T09:37:52Z)
• 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)
• XAI for In-hospital Mortality Prediction via Multimodal ICU Data [57.73357047856416]
  マルチモーダルICUデータを用いて病院内死亡率を予測するための,効率的で説明可能なAIソリューションを提案する。 我々は,臨床データから異種入力を受信し,意思決定を行うマルチモーダル・ラーニングを我々のフレームワークに導入する。 我々の枠組みは、医療研究において重要な要素の発見を容易にする他の臨床課題に容易に移行することができる。
  論文  参考訳（メタデータ） (2023-12-29T14:28:04Z)
• 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)
• 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)

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。