論文の概要: Clinician-in-the-Loop Smart Home System to Detect Urinary Tract Infection Flare-Ups via Uncertainty-Aware Decision Support

• arxiv url: http://arxiv.org/abs/2511.18334v1
• Date: Sun, 23 Nov 2025 08:16:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:24.784197
• Title: Clinician-in-the-Loop Smart Home System to Detect Urinary Tract Infection Flare-Ups via Uncertainty-Aware Decision Support
• Title（参考訳）: 不確実性判定支援による尿路感染症診断のためのスマートホームシステム
• Authors: Chibuike E. Ugwu, Roschelle Fritz, Diane J. Cook, Janardhan Rao Doppa,
• Abstract要約: 尿路感染症(UTI)フレアアップは、慢性疾患を持つ高齢者に重大な健康リスクをもたらす。 UTI検出のための単純なバイナリ分類に依存する従来の機械学習アプローチは、看護師や実践者に限られたユーティリティを提供する。 本稿では,環境センサデータを利用して意味のある行動マーカーを抽出するCILスマートホームシステムを提案する。
• 参考スコア（独自算出の注目度）: 16.648966791857088
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Urinary tract infection (UTI) flare-ups pose a significant health risk for older adults with chronic conditions. These infections often go unnoticed until they become severe, making early detection through innovative smart home technologies crucial. Traditional machine learning (ML) approaches relying on simple binary classification for UTI detection offer limited utility to nurses and practitioners as they lack insight into prediction uncertainty, hindering informed clinical decision-making. This paper presents a clinician-in-the-loop (CIL) smart home system that leverages ambient sensor data to extract meaningful behavioral markers, train robust predictive ML models, and calibrate them to enable uncertainty-aware decision support. The system incorporates a statistically valid uncertainty quantification method called Conformal-Calibrated Interval (CCI), which quantifies uncertainty and abstains from making predictions ("I don't know") when the ML model's confidence is low. Evaluated on real-world data from eight smart homes, our method outperforms baseline methods in recall and other classification metrics while maintaining the lowest abstention proportion and interval width. A survey of 42 nurses confirms that our system's outputs are valuable for guiding clinical decision-making, underscoring their practical utility in improving informed decisions and effectively managing UTIs and other condition flare-ups in older adults.
• Abstract（参考訳）: 尿路感染症(UTI)フレアアップは、慢性疾患を持つ高齢者に重大な健康リスクをもたらす。 これらの感染症は、深刻な状態になるまで気づかないことが多いため、革新的なスマートホーム技術によって早期発見が重要になる。 従来の機械学習(ML)アプローチは、UTI検出のための単純なバイナリ分類に依存しており、予測の不確実性に関する洞察が欠けているため、看護師や実践者に限られたユーティリティを提供する。 本稿では、環境センサデータを利用して意味のある行動マーカーを抽出し、堅牢な予測MLモデルを訓練し、それらを校正し、不確実性を考慮した意思決定支援を可能にするCILスマートホームシステムを提案する。 このシステムはConformal-Calibrated Interval (CCI)と呼ばれる統計的に有効な不確実性定量化手法を取り入れており、MLモデルの信頼性が低い場合には不確実性を定量化し、予測を控える("I don't know")。 提案手法は,8つのスマートホームの実世界データに基づいて,最低吸音率とインターバル幅を維持しつつ,リコールやその他の分類指標におけるベースライン手法よりも優れていた。 看護師42名を対象に調査を行い, 臨床意思決定の指導, インフォームド・ディベロップメントの改善, 高齢者の UTI および他の状態フレアアップの効果的管理における実用性について検討した。

関連論文リスト

• Towards Trustworthy Vital Sign Forecasting: Leveraging Uncertainty for Prediction Intervals [32.233133404873016]
  本稿では,不確実性評価(Restruction Uncertainty Estimate, RUE)からPIを導出する2つの手法を提案する。 これらの手法を、高頻度および低頻度の健康信号を表わし、分・時間レベルのサンプリングを施した2つの大規模公共データセット上で評価した。
  論文  参考訳（メタデータ） (2025-09-01T10:03:26Z)
• 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)
• 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)
• U-PASS: an Uncertainty-guided deep learning Pipeline for Automated Sleep Staging [61.6346401960268]
  プロセスの各段階で不確実性推定を組み込んだ臨床応用に適した,U-PASSと呼ばれる機械学習パイプラインを提案する。 不確実性誘導型ディープラーニングパイプラインを睡眠ステージングの困難な問題に適用し、各ステージにおけるパフォーマンスを体系的に改善することを示す。
  論文  参考訳（メタデータ） (2023-06-07T08:27:36Z)
• Detecting Shortcut Learning for Fair Medical AI using Shortcut Testing [62.9062883851246]
  機械学習は医療の改善に大いに貢献するが、その利用が健康格差を広めたり増幅したりしないことを確実にすることは重要である。 アルゴリズムの不公平性の潜在的な要因の1つ、ショートカット学習は、トレーニングデータにおける不適切な相関に基づいてMLモデルが予測した時に発生する。 マルチタスク学習を用いて,臨床MLシステムの公平性評価の一環として,ショートカット学習の評価と緩和を行う手法を提案する。
  論文  参考訳（メタデータ） (2022-07-21T09:35:38Z)
• 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)
• 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)

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。