論文の概要: LUME-DBN: Full Bayesian Learning of DBNs from Incomplete data in Intensive Care

• arxiv url: http://arxiv.org/abs/2511.04333v1
• Date: Thu, 06 Nov 2025 13:13:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-07 20:17:53.424396
• Title: LUME-DBN: Full Bayesian Learning of DBNs from Incomplete data in Intensive Care
• Title（参考訳）: LUME-DBN:集中治療における不完全データからのDBNの完全ベイズ学習
• Authors: Federico Pirola, Fabio Stella, Marco Grzegorczyk,
• Abstract要約: 不完全データから動的ベイズネットワークを学習するための新しいギブスサンプリング手法を提案する。 本手法は,重症心身障害患者のシミュレーションデータと実世界集中治療データの両方を用いて評価した。
• 参考スコア（独自算出の注目度）: 0.41292255339309664
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Dynamic Bayesian networks (DBNs) are increasingly used in healthcare due to their ability to model complex temporal relationships in patient data while maintaining interpretability, an essential feature for clinical decision-making. However, existing approaches to handling missing data in longitudinal clinical datasets are largely derived from static Bayesian networks literature, failing to properly account for the temporal nature of the data. This gap limits the ability to quantify uncertainty over time, which is particularly critical in settings such as intensive care, where understanding the temporal dynamics is fundamental for model trustworthiness and applicability across diverse patient groups. Despite the potential of DBNs, a full Bayesian framework that integrates missing data handling remains underdeveloped. In this work, we propose a novel Gibbs sampling-based method for learning DBNs from incomplete data. Our method treats each missing value as an unknown parameter following a Gaussian distribution. At each iteration, the unobserved values are sampled from their full conditional distributions, allowing for principled imputation and uncertainty estimation. We evaluate our method on both simulated datasets and real-world intensive care data from critically ill patients. Compared to standard model-agnostic techniques such as MICE, our Bayesian approach demonstrates superior reconstruction accuracy and convergence properties. These results highlight the clinical relevance of incorporating full Bayesian inference in temporal models, providing more reliable imputations and offering deeper insight into model behavior. Our approach supports safer and more informed clinical decision-making, particularly in settings where missing data are frequent and potentially impactful.
• Abstract（参考訳）: ダイナミックベイズネットワーク(DBN)は、患者データにおける複雑な時間的関係をモデル化し、解釈可能性を維持しながら、臨床的意思決定に不可欠な特徴であるために、医療においてますます利用されている。 しかし、経時的臨床データセットにおける欠落データを扱う既存のアプローチは、静的ベイズネットワークの文献から大きく派生しており、データの時間的性質を適切に説明できない。 このギャップは、時間とともに不確実性を定量化する能力を制限するもので、特に集中治療のような状況では、時間的ダイナミクスを理解することが、様々な患者グループにまたがるモデルの信頼性と適用性に不可欠である。 DBNの可能性にもかかわらず、欠落したデータハンドリングを統合する完全なベイズフレームワークはまだ未開発である。 本研究では,不完全データからDBNを学習するギブスサンプリング方式を提案する。 本手法はガウス分布に続く未知のパラメータとして各欠落値を扱う。 各イテレーションにおいて、観測されていない値は、その完全な条件分布からサンプリングされ、原理化された計算と不確実性推定が可能である。 本手法は,重症心身障害患者のシミュレーションデータと実世界集中治療データの両方を用いて評価した。 MICEのような標準的なモデルに依存しない手法と比較して、ベイズ的手法はより優れた再構成精度と収束特性を示す。 これらの結果は、時間モデルにベイズ推論を完全に取り入れることの臨床的意義を強調し、より信頼性の高い計算を提供し、モデル行動に関する深い洞察を提供する。 我々のアプローチは、特に欠落したデータが頻繁に発生し、潜在的に影響のある設定において、より安全でより情報的な臨床的意思決定を支援する。

関連論文リスト

• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Conformal uncertainty quantification to evaluate predictive fairness of foundation AI model for skin lesion classes across patient demographics [8.692647930497936]
  我々は、コンフォメーション解析を用いて、視覚変換器に基づく基礎モデルの予測不確かさを定量化する。 基礎モデルの特徴埋め込みの堅牢性を評価するために、公正度測定としてどのように使用できるかを示す。
  論文  参考訳（メタデータ） (2025-03-31T08:06:00Z)
• Efficient Epistemic Uncertainty Estimation in Cerebrovascular Segmentation [1.3980986259786223]
  ベイズ近似とディープアンサンブルの利点を組み合わせた効率的なアンサンブルモデルを提案する。 高モデル不確実性と誤予測の領域は一致しており、このアプローチの有効性と信頼性を示している。
  論文  参考訳（メタデータ） (2025-03-28T09:39:37Z)
• Inadequacy of common stochastic neural networks for reliable clinical decision support [0.4262974002462632]
  医療意思決定におけるAIの普及は、倫理的および安全性に関する懸念から、いまだに妨げられている。 しかし、一般的なディープラーニングアプローチは、データシフトによる過信傾向にある。 本研究は臨床応用における信頼性について考察する。
  論文  参考訳（メタデータ） (2024-01-24T18:49:30Z)
• MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
  本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。 トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。 ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
  論文  参考訳（メタデータ） (2023-10-04T01:36:30Z)
• Evaluating Model Robustness and Stability to Dataset Shift [7.369475193451259]
  機械学習モデルの安定性を解析するためのフレームワークを提案する。 本手法では,アルゴリズムが性能の悪い分布を決定するために,元の評価データを用いる。 我々は,アルゴリズムの性能を"Worst-case"分布で推定する。
  論文  参考訳（メタデータ） (2020-10-28T17:35:39Z)
• 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)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。