論文の概要: Interpretable Fine-Gray Deep Survival Model for Competing Risks: Predicting Post-Discharge Foot Complications for Diabetic Patients in Ontario
- arxiv url: http://arxiv.org/abs/2511.12409v1
- Date: Sun, 16 Nov 2025 01:07:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-18 14:36:24.024012
- Title: Interpretable Fine-Gray Deep Survival Model for Competing Risks: Predicting Post-Discharge Foot Complications for Diabetic Patients in Ontario
- Title（参考訳）: 競合性リスクに対する細粒度生存モデル--オンタリオ州における糖尿病患者の解離後の足底合併症の予測
- Authors: Dhanesh Ramachandram, Anne Loefler, Surain Roberts, Amol Verma, Maia Norman, Fahad Razak, Conrad Pow, Charles de Mestral,
- Abstract要約: CRISPNAM-FGと呼ばれる本質的に解釈可能な生存モデルを提案する。
提案手法はファイン・グレイの定式化による累積入射関数の予測を行い,高い予測力を実現する。
糖尿病患者の足の合併症を予測するために,いくつかのベンチマークデータセット上でモデルを検証し,本モデルを適用した。
- 参考スコア（独自算出の注目度）: 0.4001676635647516
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Model interpretability is crucial for establishing AI safety and clinician trust in medical applications for example, in survival modelling with competing risks. Recent deep learning models have attained very good predictive performance but their limited transparency, being black-box models, hinders their integration into clinical practice. To address this gap, we propose an intrinsically interpretable survival model called CRISPNAM-FG. Leveraging the structure of Neural Additive Models (NAMs) with separate projection vectors for each risk, our approach predicts the Cumulative Incidence Function using the Fine-Gray formulation, achieving high predictive power with intrinsically transparent and auditable predictions. We validated the model on several benchmark datasets and applied our model to predict future foot complications in diabetic patients across 29 Ontario hospitals (2016-2023). Our method achieves competitive performance compared to other deep survival models while providing transparency through shape functions and feature importance plots.
- Abstract（参考訳）: モデル解釈可能性は、例えば、競合するリスクをモデリングするサバイバルにおいて、AIの安全性と臨床医の医療応用への信頼を確立するために不可欠である。
最近のディープラーニングモデルは、非常に優れた予測性能を達成したが、ブラックボックスモデルである透明性の制限により、臨床実践への統合を妨げている。
このギャップに対処するため,CRISPNAM-FGと呼ばれる本質的に解釈可能な生存モデルを提案する。
ニューラルネットワークモデル(NAM)の構造をリスク毎に別々の射影ベクトルで活用し,Fin-Grayの定式化を用いて累積入射関数を予測し,本質的に透明で聴覚可能な予測で高い予測力を実現する。
本モデルを用いて,29のオンタリオ病院(2016-2023)における糖尿病患者の足の合併症の予測を行った。
提案手法は,他の深層生存モデルと比較して,形状関数や特徴重要プロットによる透明性を提供しながら,競争性能を向上する。
関連論文リスト
- 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) - SurvAttack: Black-Box Attack On Survival Models through Ontology-Informed EHR Perturbation [9.500873129276531]
生存分析モデルのための新しいブラックボックス攻撃フレームワークであるSurvAttackを紹介する。
本研究は,患者の医療史を通じて,様々な相手行動を伴う医療コードを操作するアルゴリズムを特に開発する。
提案アルゴリズムは,サバイバルモデルを攻撃するための効率的なSA特異的戦略として用いられる。
論文 参考訳（メタデータ） (2024-12-24T23:35:42Z) - 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) - 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) - Two-step interpretable modeling of Intensive Care Acquired Infections [0.0]
本稿では,高解像度長手データと生存モデルの動的予測機能を統合するための新しい手法を提案する。
モデルの解釈可能性を維持しながら予測力を向上すること。
論文 参考訳（メタデータ） (2023-01-26T14:54:17Z) - SurvLatent ODE : A Neural ODE based time-to-event model with competing
risks for longitudinal data improves cancer-associated Deep Vein Thrombosis
(DVT) prediction [68.8204255655161]
本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。
そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。
SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
論文 参考訳（メタデータ） (2022-04-20T17:28:08Z) - Net benefit, calibration, threshold selection, and training objectives
for algorithmic fairness in healthcare [7.500205995624894]
我々は,モデル性能,公平性,および意思決定の期待される有用性の間の相互作用を評価する。
我々は,動脈硬化性心血管疾患の10年間のリスクを推定するために,モデルの開発を通じて経験的なケーススタディを実施している。
論文 参考訳（メタデータ） (2022-02-03T23:23:05Z) - 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) - A General Framework for Survival Analysis and Multi-State Modelling [70.31153478610229]
ニューラル常微分方程式を多状態生存モデル推定のためのフレキシブルで一般的な方法として用いる。
また,本モデルでは,サバイバルデータセット上での最先端性能を示すとともに,マルチステート環境での有効性を示す。
論文 参考訳（メタデータ） (2020-06-08T19:24:54Z)
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。