Fugu-MT 論文翻訳(概要): Improving Forecasts of Suicide Attempts for Patients with Little Data

論文の概要: Improving Forecasts of Suicide Attempts for Patients with Little Data

arxiv url: http://arxiv.org/abs/2511.18199v1
Date: Sat, 22 Nov 2025 22:03:32 GMT
ステータス: 翻訳完了
システム内更新日: 2025-11-25 18:34:24.688967
Title: Improving Forecasts of Suicide Attempts for Patients with Little Data
Title（参考訳）: 軽度データ患者に対する自殺未遂の予測の改善
Authors: Genesis Hang, Annie Chen, Hope Neveux, Matthew K. Nock, Yaniv Yacoby,
Abstract要約: すべての患者に適合する1つのモデルではパフォーマンスが良くない一方で、個々のモデルではパフォーマンスが向上するが、限られたデータを持つ患者には相変わらず過度に適合することを示す。カーネル設計なしでも、我々は患者の類似性に関する新たな理解を提供しながら、1つのベースライン以外全てを上回ります。
参考スコア（独自算出の注目度）: 1.749176725391032
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Ecological Momentary Assessment provides real-time data on suicidal thoughts and behaviors, but predicting suicide attempts remains challenging due to their rarity and patient heterogeneity. We show that single models fit to all patients perform poorly, while individualized models improve performance but still overfit to patients with limited data. To address this, we introduce Latent Similarity Gaussian Processes (LSGPs) to capture patient heterogeneity, enabling those with little data to leverage similar patients' trends. Preliminary results show promise: even without kernel-design, we outperform all but one baseline while offering a new understanding of patient similarity.
Abstract（参考訳）: 生態的モメンタリーアセスメントは自殺思考や行動のリアルタイムデータを提供するが、自殺未遂の予測は、その希少性や患者の不均一性のために難しいままである。すべての患者に適合する1つのモデルではパフォーマンスが良くない一方で、個々のモデルではパフォーマンスが向上するが、限られたデータを持つ患者には相変わらず過度に適合することを示す。これを解決するために、患者不均一性を捉えるためにLatent similarity Gaussian Processs (LSGPs)を導入し、データが少ない患者でも同様の患者の傾向を活用できるようにした。カーネル設計なしでも、我々は患者の類似性に関する新たな理解を提供しながら、1つのベースライン以外全てを上回ります。

関連論文リスト

Enhancing Contrastive Learning-based Electrocardiogram Pretrained Model with Patient Memory Queue [3.7515781255643885]
ラベルのないデータに基づいて、堅牢なECG事前トレーニングモデルを構築する方法は、研究者にとって重要な分野である。対照的な学習に基づく心電図事前訓練モデルの最近の進歩は、心電図固有の患者レベルの自己監督信号を活用する可能性を強調している。患者記憶キュー(PMQ)により強化されたコントラスト学習型ECG事前学習モデルを提案する。
論文参考訳（メタデータ） (2025-05-26T05:04:03Z)
SeqRisk: Transformer-augmented latent variable model for improved survival prediction with longitudinal data [4.1476925904032464]
本研究では,変分オートエンコーダ (VAE) と長手VAE (LVAE) をトランスフォーマーエンコーダとコックス比例ハザードモジュールに結合してリスク予測を行う手法であるSeqRiskを提案する。 SeqRiskは、シミュレーションと実世界の両方のデータセットにおける既存のアプローチと比較して、競合的に機能することを示した。
論文参考訳（メタデータ） (2024-09-19T12:35:25Z)
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)
SurvTimeSurvival: Survival Analysis On The Patient With Multiple Visits/Records [26.66492761632773]
近年の人工知能の進歩にもかかわらず、重症疾患患者の生存時間の正確な予測は重要な課題である。本研究は「SurvTimeSurvival: Survival Analysis on patients with Multiple visits/Records」を紹介する。
論文参考訳（メタデータ） (2023-11-16T12:30:14Z)
Pain Forecasting using Self-supervised Learning and Patient Phenotyping: An attempt to prevent Opioid Addiction [0.3749861135832073]
シックル細胞病(Sickle Cell Disease)を治療するためには、将来の患者の痛みの軌跡を予測することが不可欠である。主に患者の自己申告によって記録されるので,多くの痛み記録を入手して予測モデルを設計することは困難である。本稿では、時系列データをクラスタリングするための自己教師付き学習手法を提案する。
論文参考訳（メタデータ） (2023-10-09T18:31:50Z)
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)
Bridging the Gap Between Patient-specific and Patient-independent Seizure Prediction via Knowledge Distillation [7.2666838978096875]
既存のアプローチは通常、てんかんの信号の高度にパーソナライズされた特性のために、患者固有の方法でモデルを訓練する。患者固有のモデルは、蒸留された知識と追加のパーソナライズされたデータによって得られる。提案手法を用いて,CHB-MIT sEEGデータベース上で5つの最先端の発作予測法を訓練する。
論文参考訳（メタデータ） (2022-02-25T10:30:29Z)
SANSformers: Self-Supervised Forecasting in Electronic Health Records with Attention-Free Models [48.07469930813923]
本研究は,医療施設への患者訪問数を予測することにより,医療サービスの需要を予測することを目的とする。 SNSformerは、特定の帰納バイアスを設計し、EHRデータの特異な特徴を考慮に入れた、注意のない逐次モデルである。本研究は, 各種患者集団を対象とした医療利用予測の修正における, 注意力のないモデルと自己指導型事前訓練の有望な可能性について考察した。
論文参考訳（メタデータ） (2021-08-31T08:23:56Z)
Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文参考訳（メタデータ） (2021-04-07T06:02:04Z)
Temporal Phenotyping using Deep Predictive Clustering of Disease Progression [97.88605060346455]
我々は、時系列データをクラスタリングするためのディープラーニングアプローチを開発し、各クラスタは、同様の将来的な結果を共有する患者から構成される。 2つの実世界のデータセットに対する実験により、我々のモデルは最先端のベンチマークよりも優れたクラスタリング性能が得られることが示された。
論文参考訳（メタデータ） (2020-06-15T20:48:43Z)

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。