論文の概要: Closing Gaps: An Imputation Analysis of ICU Vital Signs

• arxiv url: http://arxiv.org/abs/2510.24217v1
• Date: Tue, 28 Oct 2025 09:30:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-29 15:35:36.989028
• Title: Closing Gaps: An Imputation Analysis of ICU Vital Signs
• Title（参考訳）: Closing Gaps: ICU Vital Signsのインプット解析
• Authors: Alisher Turubayev, Anna Shopova, Fabian Lange, Mahmut Kamalak, Paul Mattes, Victoria Ayvasky, Bert Arnrich, Bjarne Pfitzner, Robin P. van de Water,
• Abstract要約: 臨床予測モデルの性能向上に研究者を導くために確立された計算手法を比較した。 現在15のインプットと4つの修正メソッドを備えた ICU および再利用可能なベンチマークを導入し、主要な ICU データセットのベンチマークを行う。
• 参考スコア（独自算出の注目度）: 2.2150716336752203
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: As more Intensive Care Unit (ICU) data becomes available, the interest in developing clinical prediction models to improve healthcare protocols increases. However, the lack of data quality still hinders clinical prediction using Machine Learning (ML). Many vital sign measurements, such as heart rate, contain sizeable missing segments, leaving gaps in the data that could negatively impact prediction performance. Previous works have introduced numerous time-series imputation techniques. Nevertheless, more comprehensive work is needed to compare a representative set of methods for imputing ICU vital signs and determine the best practice. In reality, ad-hoc imputation techniques that could decrease prediction accuracy, like zero imputation, are still used. In this work, we compare established imputation techniques to guide researchers in improving the performance of clinical prediction models by selecting the most accurate imputation technique. We introduce an extensible and reusable benchmark with currently 15 imputation and 4 amputation methods, created for benchmarking on major ICU datasets. We hope to provide a comparative basis and facilitate further ML development to bring more models into clinical practice.
• Abstract（参考訳）: ICU(Intensive Care Unit)データが利用可能になるにつれて、医療プロトコルを改善するための臨床予測モデルの開発への関心が高まっている。 しかし、データ品質の欠如は、マシンラーニング(ML)を使用した臨床予測を妨げている。 心拍数などの多くの重要なサイン測定には、大きな欠落セグメントが含まれており、予測性能に悪影響を及ぼす可能性のあるデータのギャップを残している。 それまでの作品は、多くの時系列計算技術を導入してきた。 それにもかかわらず、ICUバイタルサインを命令し、ベストプラクティスを決定するための代表的手法のセットを比較するには、より包括的な作業が必要である。 実際には、ゼロの計算のように予測精度を低下させるアドホックな計算技術が現在も使われている。 本研究では,最も正確な計算手法を選択することで,臨床予測モデルの性能向上に研究者を導くために確立された計算手法を比較した。 我々は,現在15の命令と4つの修正方法を備えた拡張可能な再利用可能なベンチマークを導入し,主要なICUデータセットのベンチマークを行う。 我々は、比較ベースを提供し、さらなるML開発を促進し、より多くのモデルを臨床実践に持ち込むことを望んでいる。

関連論文リスト

• AUTOCT: Automating Interpretable Clinical Trial Prediction with LLM Agents [47.640779069547534]
  AutoCTは、大規模言語モデルの推論能力と古典的な機械学習の説明可能性を組み合わせた、新しいフレームワークである。 臨床治験予測タスクにおいて, AutoCT は SOTA 法と同等以上の性能を示した。
  論文  参考訳（メタデータ） (2025-06-04T11:50:55Z)
• An Efficient Contrastive Unimodal Pretraining Method for EHR Time Series Data [35.943089444017666]
  本稿では,長期臨床経過データに適した比較事前学習法を提案する。 本モデルでは, 臨床医が患者の症状についてより深い知見を得られるように, 欠損測定をインプットする能力を示す。
  論文  参考訳（メタデータ） (2024-10-11T19:05:25Z)
• Aiming for Relevance [12.924312063047816]
  臨床状況に合わせて,新しいバイタルサイン予測性能指標を導入する。 これらの指標は、ICU臨床医へのインタビューを通じて得られた経験的効用曲線から得られたものである。 これらの指標をニューラルネットワークの損失関数として用い,臨床上の重要な事象を予測できるモデルを構築した。
  論文  参考訳（メタデータ） (2024-03-27T15:11:07Z)
• Automatic diagnosis of knee osteoarthritis severity using Swin transformer [55.01037422579516]
  変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。 我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
  論文  参考訳（メタデータ） (2023-07-10T09:49:30Z)
• MedLens: Improve Mortality Prediction Via Medical Signs Selecting and Regression [4.43322868663347]
  データ品質の問題については文献では議論されていない。 我々はMEDLENSを設計し、統計による自動バイタルメディカルサイン選択手法と、高損失率時系列に対する柔軟なアプローチを用いて設計した。 精度は 0.96 AUC-ROC と 0.81 AUC-PR で、これは以前のベンチマークを超えている。
  論文  参考訳（メタデータ） (2023-05-19T15:28:02Z)
• FineEHR: Refine Clinical Note Representations to Improve Mortality Prediction [3.9026461169566673]
  大規模な電子健康記録は、臨床テキストとバイタルサインデータの豊富な機械学習モデルを提供する。 臨床ノート分析のための高度な自然言語処理(NLP)アルゴリズムの出現にもかかわらず、生臨床データに存在する複雑なテキスト構造とノイズは重大な課題となっている。 本稿では,2つの表現学習技術,すなわちメートル法学習と微調整技術を用いて,臨床ノートの埋め込みを洗練させるシステムFINEEHRを提案する。
  論文  参考訳（メタデータ） (2023-04-24T02:42:52Z)
• Clinical Deterioration Prediction in Brazilian Hospitals Based on Artificial Neural Networks and Tree Decision Models [56.93322937189087]
  超強化ニューラルネットワーク(XBNet)は臨床劣化(CD)を予測するために用いられる XGBoostモデルはブラジルの病院のデータからCDを予測する最良の結果を得た。
  論文  参考訳（メタデータ） (2022-12-17T23:29:14Z)
• Unsupervised pre-training of graph transformers on patient population graphs [48.02011627390706]
  異種臨床データを扱うグラフ変換器を用いたネットワークを提案する。 自己教師型, 移動学習環境において, 事前学習方式の利点を示す。
  論文  参考訳（メタデータ） (2022-07-21T16:59:09Z)
• On the Robustness of Pretraining and Self-Supervision for a Deep Learning-based Analysis of Diabetic Retinopathy [70.71457102672545]
  糖尿病網膜症における訓練方法の違いによる影響を比較検討した。 本稿では,定量的性能,学習した特徴表現の統計,解釈可能性,画像歪みに対する頑健性など,さまざまな側面について検討する。 以上の結果から,ImageNet事前学習モデルでは,画像歪みに対する性能,一般化,堅牢性が著しく向上していることが示唆された。
  論文  参考訳（メタデータ） (2021-06-25T08:32:45Z)
• Self-Training with Improved Regularization for Sample-Efficient Chest X-Ray Classification [80.00316465793702]
  挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。 その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
  論文  参考訳（メタデータ） (2020-05-03T02:36:00Z)

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。