論文の概要: A Bayesian Model for Multi-stage Censoring

• arxiv url: http://arxiv.org/abs/2511.11684v2
• Date: Tue, 18 Nov 2025 08:25:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-19 13:59:16.688209
• Title: A Bayesian Model for Multi-stage Censoring
• Title（参考訳）: マルチステージセンシングのためのベイズモデル
• Authors: Shuvom Sadhuka, Sophia Lin, Emma Pierson, Bonnie Berger,
• Abstract要約: 主な課題は、生検の結果のような基礎的な真理の結果が、この漏えいの最後にしか明らかにされないことである。 我々は、選別ラベルと検閲に関する先行研究から、ファンネル決定構造のためのベイズモデルを開発した。 入院時と入院時では性別による差がみられた。
• 参考スコア（独自算出の注目度）: 8.998506419652703
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many sequential decision settings in healthcare feature funnel structures characterized by a series of stages, such as screenings or evaluations, where the number of patients who advance to each stage progressively decreases and decisions become increasingly costly. For example, an oncologist may first conduct a breast exam, followed by a mammogram for patients with concerning exams, followed by a biopsy for patients with concerning mammograms. A key challenge is that the ground truth outcome, such as the biopsy result, is only revealed at the end of this funnel. The selective censoring of the ground truth can introduce statistical biases in risk estimation, especially in underserved patient groups, whose outcomes are more frequently censored. We develop a Bayesian model for funnel decision structures, drawing from prior work on selective labels and censoring. We first show in synthetic settings that our model is able to recover the true parameters and predict outcomes for censored patients more accurately than baselines. We then apply our model to a dataset of emergency department visits, where in-hospital mortality is observed only for those who are admitted to either the hospital or ICU. We find that there are gender-based differences in hospital and ICU admissions. In particular, our model estimates that the mortality risk threshold to admit women to the ICU is higher for women (5.1%) than for men (4.5%).
• Abstract（参考訳）: 医療における連続的な意思決定設定の多くは、スクリーニングや評価などの一連の段階を特徴とし、各段階に進む患者の数は徐々に減少し、意思決定はますますコストがかかる。 例えば、腫瘍学者はまず乳房検診を行い、次いで乳房検診の患者は乳房検診を行い、次いで乳房検診の患者は生検を行う。 重要な課題は、生検の結果のような基礎的な真理の結果が、この漏えいの最後にしか明らかにされないことである。 根拠的真実を選択的に検閲することは、リスク推定における統計的バイアスをもたらす可能性がある。 我々は、選別ラベルと検閲に関する先行研究から、ファンネル決定構造のためのベイズモデルを開発した。 まず,本モデルがベースラインよりも精度の高い検閲を受けた患者に対して,真のパラメータを復元し,その結果を予測することができることを示す。 次に,病院またはICUに入院した患者に対してのみ,院内死亡が観察される救急部門訪問のデータセットに本モデルを適用した。 入院時と入院時では男女差がみられた。 特に、我々のモデルでは、ICUに女性を受け入れる死亡リスク閾値は、男性(4.5%)よりも女性(5.1%)が高いと見積もっている。

関連論文リスト

• Epistemic-aware Vision-Language Foundation Model for Fetal Ultrasound Interpretation [83.02147613524032]
  医療用AIシステムFetalMindについて報告する。 本稿では、専門家による2部グラフをモデルに注入し、ビュー・ディスリーズ関連を分離するSED(Salient Epistemic Disentanglement)を提案する。 FetalMindはすべての妊娠期のオープンソースおよびクローズドソースベースラインを上回り、平均利得は+14%、臨界条件では+61.2%高い。
  論文  参考訳（メタデータ） (2025-10-14T19:57:03Z)
• PersonalizedUS: Interpretable Breast Cancer Risk Assessment with Local Coverage Uncertainty Quantification [2.6911061523689415]
  現在の「ゴールドスタンダード」は、臨床医による手動のBI-RADSスコアに依存しており、しばしば不必要な生検や、患者とその家族に対する精神的な負担を伴っている。 我々は、直列予測の最近の進歩を活用して、正確でパーソナライズされたリスク推定を提供する、パーソナライズされた機械学習システムであるPersonalizedUSを紹介する。 具体的な臨床効果としては、BI-RADS 4aと4bの病変のうち、要求された生検を最大で65%減らし、がんの再発は最小限である。
  論文  参考訳（メタデータ） (2024-08-28T00:47:55Z)
• SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
  セプシスは米国での院内死亡の主な原因である。 既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。 限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-24T04:47:36Z)
• Domain constraints improve risk prediction when outcome data is missing [1.6840408099522377]
  機械学習モデルにより, 検査対象者および検査対象者双方のリスクを正確に推定できることが示唆された。 本研究は,癌リスク予測のケーススタディに適用し,そのモデルが癌診断を予測していることを示す。
  論文  参考訳（メタデータ） (2023-12-06T19:49:06Z)
• 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)
• Parkland Trauma Index of Mortality (PTIM): Real-time Predictive Model for PolyTrauma Patients [0.0]
  Parkland Trauma Index of Mortality (PTIM)は、電子カルテ(EMR)データを用いて死亡率を予測する機械学習アルゴリズムである。 モデルは毎時更新され、外傷に対する患者の生理的反応とともに進化する。 入院早期のポリトラウマ患者の臨床的意思決定に有用なツールかもしれない。
  論文  参考訳（メタデータ） (2020-10-07T20:34:03Z)
• Integrative Analysis for COVID-19 Patient Outcome Prediction [53.11258640541513]
  我々は、集中治療室入院の必要性を予測するために、人口統計、バイタルサイン、実験室の所見から、肺不透明度の放射能と非画像の特徴を組み合わせる。 また, 地域性肺炎を含む他の肺疾患にも適用できるが, 地域性肺炎に限らない。
  論文  参考訳（メタデータ） (2020-07-20T19:08:50Z)
• CT-based COVID-19 Triage: Deep Multitask Learning Improves Joint Identification and Severity Quantification [45.86448200141968]
  感染リスクのある患者をできるだけ早期に分離する研究を優先するための新型コロナウイルスの同定、重度定量化、重篤な患者の研究の強調、病院への誘導、救急医療の提供の2つの基本的な設定について述べる。 両トリアージアプローチを統合するマルチタスクアプローチを提案し、利用可能なラベルを1つのモデルにまとめる畳み込みニューラルネットワークを提案する。 我々は約2000件の公開CT研究をトレーニングし、32件のCOVID-19研究、30件の細菌性肺炎、31件の健常患者、および30件の肺病理患者からなる慎重に設計したセットを用いて、典型的な患者の血流をエミュレートする。
  論文  参考訳（メタデータ） (2020-06-02T08:05:06Z)

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。