論文の概要: TRACER: Transfer Learning based Real-time Adaptation for Clinical Evolving Risk

• arxiv url: http://arxiv.org/abs/2512.12795v1
• Date: Sun, 14 Dec 2025 18:23:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 17:54:56.443848
• Title: TRACER: Transfer Learning based Real-time Adaptation for Clinical Evolving Risk
• Title（参考訳）: TRACER:トランスファーラーニングに基づく臨床進化リスクのためのリアルタイム適応
• Authors: Mengying Yan, Ziye Tian, Siqi Li, Nan Liu, Benjamin A. Goldstein, Molei Liu, Chuan Hong,
• Abstract要約: 本研究では,出会いレベルの移行メンバシップを識別するフレームワークであるTRACERを提案し,フルリトレーニングなしでトランスファーラーニングを用いた予測モデルを適用する。 シミュレーション研究において、TRACERは歴史的または現代のデータに基づいて訓練された静的モデルよりも優れていた。 TRACERは、進化的かつ不均一な臨床条件下で、堅牢な予測性能を維持するためのスケーラブルなアプローチを提供する。
• 参考スコア（独自算出の注目度）: 7.835976448936036
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Clinical decision support tools built on electronic health records often experience performance drift due to temporal population shifts, particularly when changes in the clinical environment initially affect only a subset of patients, resulting in a transition to mixed populations. Such case-mix changes commonly arise following system-level operational updates or the emergence of new diseases, such as COVID-19. We propose TRACER (Transfer Learning-based Real-time Adaptation for Clinical Evolving Risk), a framework that identifies encounter-level transition membership and adapts predictive models using transfer learning without full retraining. In simulation studies, TRACER outperformed static models trained on historical or contemporary data. In a real-world application predicting hospital admission following emergency department visits across the COVID-19 transition, TRACER improved both discrimination and calibration. TRACER provides a scalable approach for maintaining robust predictive performance under evolving and heterogeneous clinical conditions.
• Abstract（参考訳）: 電子健康記録上に構築された臨床意思決定支援ツールは、時間的人口シフトによるパフォーマンスの漂流を経験することが多く、特に、臨床環境の変化が患者のサブセットにしか影響しない場合、混合人口への移行をもたらす。 このようなケースミックスの変化は、システムレベルのオペレーショナルアップデートや、COVID-19のような新しい病気の出現によって発生することが多い。 本稿では,トランスファーラーニングによる臨床進化リスクのリアルタイム適応(Transfer Learning-based Real-time Adaptation for Clinical Evolving Risk)を提案する。 シミュレーション研究において、TRACERは歴史的または現代のデータに基づいて訓練された静的モデルよりも優れていた。 新型コロナウイルス感染症(COVID-19)の感染拡大に伴う救急部門訪問後の入院を予想する現実世界のアプリケーションでは、TRACERは差別と校正の両方を改善した。 TRACERは、進化的かつ不均一な臨床条件下で、堅牢な予測性能を維持するためのスケーラブルなアプローチを提供する。

関連論文リスト

• Adaptive Test-Time Training for Predicting Need for Invasive Mechanical Ventilation in Multi-Center Cohorts [4.250825424649631]
  テストタイムトレーニング(TTT)は、このようなシフトを緩和するための有望なアプローチとして登場した。 In orderive Test-Time Training (AdaTTT) は、ITU設定におけるEMHベースのMV予測に適した拡張TTフレームワークである。
  論文  参考訳（メタデータ） (2025-12-07T04:27:40Z)
• Stable-Drift: A Patient-Aware Latent Drift Replay Method for Stabilizing Representations in Continual Learning [3.1965482926781843]
  ディープラーニングモデルが新しいデータで逐次トレーニングされる場合、前もって学習したタスクのパフォーマンスが突然低下する傾向があります。 本稿では,高表現不安定なサンプルを識別・再生する潜在ドリフト誘導リプレイ法を提案する。 本手法は, 直感的な微調整やランダムなリプレイに比べて, 忘れを著しく低減する。
  論文  参考訳（メタデータ） (2025-11-27T16:49:50Z)
• Prediction of Survival Outcomes under Clinical Presence Shift: A Joint Neural Network Architecture [2.2770321534391114]
  本稿では,観測時間と欠落過程を共同でモデル化するマルチタスク・リカレントニューラルネットワークを提案する。 本研究は,予測モデルが新たな環境に展開される際の臨床存在変化の概念を定式化したものである。 提案手法は, 最先端予測モデルと比較して, 性能と輸送性が向上することを示す。
  論文  参考訳（メタデータ） (2025-08-07T15:12:08Z)
• Adaptable Cardiovascular Disease Risk Prediction from Heterogeneous Data using Large Language Models [70.64969663547703]
  AdaCVDは、英国バイオバンクから50万人以上の参加者を対象に、大規模な言語モデルに基づいて構築された適応可能なCVDリスク予測フレームワークである。 包括的かつ可変的な患者情報を柔軟に取り込み、構造化データと非構造化テキストの両方をシームレスに統合し、最小限の追加データを使用して新規患者の集団に迅速に適応する。
  論文  参考訳（メタデータ） (2025-05-30T14:42:02Z)
• Predictability Shapes Adaptation: An Evolutionary Perspective on Modes of Learning in Transformers [51.992454203752686]
  トランスフォーマーモデルは、IWL(In-weights Learning)とICL(In-context Learning)の2つの異なるモードで学習する。 我々は進化生物学の類似した適応戦略である遺伝的エンコーディングと表現型可塑性からインスピレーションを得ている。 我々はこれらの予測可能性の次元を実験的に運用し、トランスフォーマーのICL/IWLバランスへの影響について検討する。
  論文  参考訳（メタデータ） (2025-05-14T23:31:17Z)
• Enhancing Activity Recognition After Stroke: Generative Adversarial Networks for Kinematic Data Augmentation [0.0]
  脳卒中リハビリテーションにおけるウェアラブルモニタリングのための機械学習モデルの一般化可能性はしばしば、利用可能なデータの限られたスケールと不均一性によって制限される。 データ拡張は、トレーニングセットに表される変動性を強化するために、実際のデータに計算的に導出されたデータを追加することで、この課題に対処する。 本研究では、CGAN(Conditional Generative Adversarial Networks)を用いて、公開データセットから合成キネマティックデータを生成する。 合成データと実験データの両方でディープラーニングモデルを訓練することにより、タスク分類精度を向上させる:実データのみを訓練したモデルでは66.1%よりもはるかに高い80.0%の精度で合成データを組み込んだモデル。
  論文  参考訳（メタデータ） (2024-06-12T15:51:00Z)
• TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic Tree-Based Memory Network [54.332862955411656]
  臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。 近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。 本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
  論文  参考訳（メタデータ） (2023-07-19T12:35:09Z)
• LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
  MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。 タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。 クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
  論文  参考訳（メタデータ） (2022-04-12T12:25:05Z)
• Diagnosing failures of fairness transfer across distribution shift in real-world medical settings [60.44405686433434]
  分散シフト下でのモデルフェアネスの変化の診断と緩和は、医療環境における機械学習の安全な展開の重要な構成要素である。 この知識は、文献でしばしば想定されるよりも現実のシフトがより複雑である事例を含む、公平性伝達の失敗の診断に有効であることを示す。
  論文  参考訳（メタデータ） (2022-02-02T13:59:23Z)
• Identifying and mitigating bias in algorithms used to manage patients in a pandemic [4.756860520861679]
  現実のデータセットを使用して、新型コロナウイルスの死亡率、人工呼吸器の状態、入院状態を予測するために、ロジスティック回帰モデルが作成された。 モデルではバイアス試験の回数が57%減少した。 キャリブレーション後, 予測モデルの平均感度は0.527から0.955に増加した。
  論文  参考訳（メタデータ） (2021-10-30T21:10:56Z)
• MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
  本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。 我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。 我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
  論文  参考訳（メタデータ） (2020-10-08T15:30:17Z)

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。