論文の概要: Transparent Early ICU Mortality Prediction with Clinical Transformer and Per-Case Modality Attribution

• arxiv url: http://arxiv.org/abs/2511.15847v1
• Date: Wed, 19 Nov 2025 20:11:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-21 17:08:52.360543
• Title: Transparent Early ICU Mortality Prediction with Clinical Transformer and Per-Case Modality Attribution
• Title（参考訳）: クリニカルトランスフォーマーとパーケースモダリティアトリビューションを用いた透明早期ICU死亡予測
• Authors: Alexander Bakumenko, Janine Hoelscher, Hudson Smith,
• Abstract要約: ICU滞在後48時間から, 生理的時系列測定と非構造的臨床記録とを融合した, 軽量で透明なマルチモーダルアンサンブルを提案する。 ロジスティック回帰モデルは、バイタル用双方向LSTMとノート用微調整された臨床ModernBERT変換器の2つのモード固有モデルからの予測を組み合わせる。 MIMIC-IIIベンチマークでは、遅延融合アンサンブルは、よく校正された予測を維持しながら、最高の単一モデルに対する差別を改善する。
• 参考スコア（独自算出の注目度）: 42.85462513661566
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Early identification of intensive care patients at risk of in-hospital mortality enables timely intervention and efficient resource allocation. Despite high predictive performance, existing machine learning approaches lack transparency and robustness, limiting clinical adoption. We present a lightweight, transparent multimodal ensemble that fuses physiological time-series measurements with unstructured clinical notes from the first 48 hours of an ICU stay. A logistic regression model combines predictions from two modality-specific models: a bidirectional LSTM for vitals and a finetuned ClinicalModernBERT transformer for notes. This traceable architecture allows for multilevel interpretability: feature attributions within each modality and direct per-case modality attributions quantifying how vitals and notes influence each decision. On the MIMIC-III benchmark, our late-fusion ensemble improves discrimination over the best single model (AUPRC 0.565 vs. 0.526; AUROC 0.891 vs. 0.876) while maintaining well-calibrated predictions. The system remains robust through a calibrated fallback when a modality is missing. These results demonstrate competitive performance with reliable, auditable risk estimates and transparent, predictable operation, which together are crucial for clinical use.
• Abstract（参考訳）: 院内死亡リスクのある集中治療患者の早期発見は、タイムリーな介入と効率的な資源配分を可能にする。 予測性能が高いにもかかわらず、既存の機械学習アプローチには透明性と堅牢性がなく、臨床応用が制限されている。 ICU滞在後48時間から, 生理的時系列測定と非構造的臨床記録とを融合した, 軽量で透明なマルチモーダルアンサンブルを提案する。 ロジスティック回帰モデルは、バイタル用双方向LSTMとノート用微調整された臨床ModernBERT変換器の2つのモード固有モデルからの予測を組み合わせる。 このトレーサブルアーキテクチャは多段階の解釈可能性を可能にし、各モダリティ内の特徴属性とケースごとの直接のモダリティ属性は、各決定にバイタルとノートがどのように影響するかを定量化する。 MIMIC-IIIベンチマークでは、当社の遅延融合アンサンブルは、優れた単一モデル(AUPRC 0.565 vs. 0.526; AUROC 0.891 vs. 0.876)に対する差別を改善しつつ、よく校正された予測を維持している。 このシステムは、モダリティが欠如している場合に、校正されたフォールバックを通じて堅牢なままである。 これらの結果から, 信頼性, 監査可能なリスク推定, 透明性, 予測可能な操作との競合性が示唆された。

関連論文リスト

• A Novel Attention-Augmented Wavelet YOLO System for Real-time Brain Vessel Segmentation on Transcranial Color-coded Doppler [49.03919553747297]
  我々は,脳動脈を効率よく捉えることができるAIを利用したリアルタイムCoW自動分割システムを提案する。 Transcranial Color-coded Doppler (TCCD) を用いたAIによる脳血管セグメンテーションの事前研究は行われていない。 提案したAAW-YOLOは, 異方性および対側性CoW容器のセグメンテーションにおいて高い性能を示した。
  論文  参考訳（メタデータ） (2025-08-19T14:41:22Z)
• Early Mortality Prediction in ICU Patients with Hypertensive Kidney Disease Using Interpretable Machine Learning [3.4335475695580127]
  集中治療室(ICUs)の高血圧性腎疾患(HKD)患者は短期的死亡率が高い。 我々は,HKDのICU患者に対して,30日間の院内死亡を予測できる機械学習フレームワークを開発した。
  論文  参考訳（メタデータ） (2025-07-25T00:48:23Z)
• SurgeryLSTM: A Time-Aware Neural Model for Accurate and Explainable Length of Stay Prediction After Spine Surgery [44.119171920037196]
  選択的脊椎手術における滞在時間(LOS)予測のための機械学習モデルの開発と評価を行った。 我々は,従来のMLモデルと,マスク付き双方向長短期記憶(BiLSTM)であるオペレーショナルLSTMを比較した。 決定係数(R2)を用いて性能を評価し,説明可能なAIを用いて鍵予測器を同定した。
  論文  参考訳（メタデータ） (2025-07-15T01:18:28Z)
• Predicting Postoperative Stroke in Elderly SICU Patients: An Interpretable Machine Learning Model Using MIMIC Data [0.0]
  高齢者集中治療室(SICU)患者における術後脳卒中は重要な合併症である。 我々はMIMIC-IIIデータベースとMIMIC-IVデータベースから19,085名の高齢者SICU入院を併用したコホートを構築した。 最初の24時間集中治療室滞在からの臨床データを用いて,院内脳卒中を予測するための解釈可能な機械学習フレームワークを開発した。
  論文  参考訳（メタデータ） (2025-06-02T22:53:12Z)
• Predicting Length of Stay in Neurological ICU Patients Using Classical Machine Learning and Neural Network Models: A Benchmark Study on MIMIC-IV [49.1574468325115]
  本研究は、MIMIC-IVデータセットに基づく神経疾患患者を対象とした、ICUにおけるLOS予測のための複数のMLアプローチについて検討する。 評価されたモデルには、古典的MLアルゴリズム(K-Nearest Neighbors、Random Forest、XGBoost、CatBoost)とニューラルネットワーク(LSTM、BERT、テンポラルフュージョントランス)が含まれる。
  論文  参考訳（メタデータ） (2025-05-23T14:06:42Z)
• 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)
• MELON: Multimodal Mixture-of-Experts with Spectral-Temporal Fusion for Long-Term Mobility Estimation in Critical Care [1.5237145555729716]
  MELONは、医療現場における12時間移動状態を予測するための新しいフレームワークである。 フロリダ州ゲインズビルにあるフロリダ・ヘルス・サンズ病院の9つの集中治療室を受診した126名の患者を対象に,MELONモデルを訓練・評価した。 その結果、MELONは従来の12時間移動状態推定手法よりも優れていた。
  論文  参考訳（メタデータ） (2025-03-10T19:47:46Z)
• Towards Reliable Medical Image Segmentation by Modeling Evidential Calibrated Uncertainty [57.023423137202485]
  医用画像のセグメンテーションの信頼性に関する懸念が臨床医の間で続いている。 本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。 主観的論理理論を活用することで、医用画像分割の確率と不確実性を明示的にモデル化する。
  論文  参考訳（メタデータ） (2023-01-01T05:02:46Z)
• A Knowledge Distillation Ensemble Framework for Predicting Short and Long-term Hospitalisation Outcomes from Electronic Health Records Data [5.844828229178025]
  既存の結果予測モデルは、頻繁なポジティブな結果の低いリコールに悩まされる。 我々は、死亡率とICUの受け入れによって表される逆さを自動的に予測する、高度にスケーリング可能な、堅牢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） (2020-11-18T15:56:28Z)

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。