論文の概要: Adaptive Conformal Prediction via Bayesian Uncertainty Weighting for Hierarchical Healthcare Data

• arxiv url: http://arxiv.org/abs/2601.01223v1
• Date: Sat, 03 Jan 2026 16:06:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-06 16:25:22.12694
• Title: Adaptive Conformal Prediction via Bayesian Uncertainty Weighting for Hierarchical Healthcare Data
• Title（参考訳）: 階層型医療データに対するベイジアン不確かさ重みによる適応的コンフォーマル予測
• Authors: Marzieh Amiri Shahbazi, Ali Baheri, Nasibeh Azadeh-Fard,
• Abstract要約: 本稿では,医療予測の基本的な限界に対処するハイブリッドベイズ・コンフォーマル・フレームワークを提案する。 提案手法は, ベイズ系階層的ランダム林と群対応型コンフォメーションキャリブレーションを統合し, 後方不確かさを重み適合度スコアに用いた。 米国3,793の病院と4つの地域にわたる61,538件の入院状況について検討した。
• 参考スコア（独自算出の注目度）: 2.922743999325622
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Clinical decision-making demands uncertainty quantification that provides both distribution-free coverage guarantees and risk-adaptive precision, requirements that existing methods fail to jointly satisfy. We present a hybrid Bayesian-conformal framework that addresses this fundamental limitation in healthcare predictions. Our approach integrates Bayesian hierarchical random forests with group-aware conformal calibration, using posterior uncertainties to weight conformity scores while maintaining rigorous coverage validity. Evaluated on 61,538 admissions across 3,793 U.S. hospitals and 4 regions, our method achieves target coverage (94.3% vs 95% target) with adaptive precision: 21% narrower intervals for low-uncertainty cases while appropriately widening for high-risk predictions. Critically, we demonstrate that well-calibrated Bayesian uncertainties alone severely under-cover (14.1%), highlighting the necessity of our hybrid approach. This framework enables risk-stratified clinical protocols, efficient resource planning for high-confidence predictions, and conservative allocation with enhanced oversight for uncertain cases, providing uncertainty-aware decision support across diverse healthcare settings.
• Abstract（参考訳）: 臨床意思決定は、分布のないカバレッジ保証とリスク適応精度の両方を提供する不確実な定量化を要求する。 我々は、医療予測におけるこの基本的な制限に対処するハイブリッドベイズ・コンフォーマル・フレームワークを提案する。 提案手法は,厳密な被覆率を維持しつつ,後方不確かさを重量適合度スコアに用い,グループ対応型コンフォメーションキャリブレーションとベイズ的階層ランダム林を統合した。 米国3,793の病院と4つの地域で61,538件の入院を評価したところ、適応精度で目標範囲(94.3%対95%の目標)を達成できた。 批判的に、よく校正されたベイズの不確実性だけでは、我々のハイブリッドアプローチの必要性を浮き彫りにしている(14.1%)。 このフレームワークは、リスク階層化された臨床プロトコル、高信頼度予測のための効率的なリソース計画、不確実なケースに対する監視強化による保守的なアロケーションを可能にし、多様な医療環境における不確実性を考慮した意思決定支援を提供する。

関連論文リスト

• Uncertainty-Calibrated Prediction of Randomly-Timed Biomarker Trajectories with Conformal Bands [24.335811693519165]
  臨床データからバイオマーカー軌跡の不確実性判定のためのコンフォメーション手法を提案する。 提案手法は,非整合性スコアを用いたランダム時間軌道の設定に共形予測を拡張した。 アルツハイマー病の進行リスクの高い被験者を同定する上で, コンフォメーションバンドの臨床的有用性を示す。
  論文  参考訳（メタデータ） (2025-11-17T21:04:14Z)
• When Robustness Meets Conservativeness: Conformalized Uncertainty Calibration for Balanced Decision Making [8.234618636958462]
  本稿では,誤発見と後悔の保証を無分布で有限サンプルで提供する新しいフレームワークを提案する。 提案手法は,不規則なフロンティアを追従する有効な推定器を構築する。 これらの結果は、ロバスト性選択を導くための、最初の原則付きデータ駆動手法を提供する。
  論文  参考訳（メタデータ） (2025-10-09T03:38:17Z)
• Risk-Sensitive Conformal Prediction for Catheter Placement Detection in Chest X-rays [0.0]
  胸部X線におけるカテーテルと線位置検出のための新しいアプローチを提案する。 我々のモデルは同時に分類、セグメンテーション、ランドマーク検出を行う。 リスクに敏感なコンフォメーション予測は、統計的に保証された予測セットを提供する。
  論文  参考訳（メタデータ） (2025-05-28T15:47:10Z)
• SConU: Selective Conformal Uncertainty in Large Language Models [59.25881667640868]
  SconU(Selective Conformal Uncertainity)と呼ばれる新しいアプローチを提案する。 我々は,特定の管理可能なリスクレベルで設定されたキャリブレーションの不確実性分布から,与えられたサンプルが逸脱するかどうかを決定するのに役立つ2つの共形p値を開発する。 我々のアプローチは、単一ドメインと学際的コンテキストの両方にわたる誤発見率の厳密な管理を促進するだけでなく、予測の効率を高める。
  論文  参考訳（メタデータ） (2025-04-19T03:01:45Z)
• Beyond Confidence: Adaptive Abstention in Dual-Threshold Conformal Prediction for Autonomous System Perception [0.4124847249415279]
  安全クリティカルな認識システムは、安全を維持するために確実な不確実性定量化と原則化された禁制機構を必要とする。 本稿では,統計的に保証された不確実性推定を提供するとともに,リスクの高いシナリオにおいて選択的な予測を可能にする,新しいデュアルスレッド整合化フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-11T04:45:31Z)
• Likelihood Ratio Confidence Sets for Sequential Decision Making [51.66638486226482]
  確率に基づく推論の原理を再検討し、確率比を用いて妥当な信頼シーケンスを構築することを提案する。 本手法は, 精度の高い問題に特に適している。 提案手法は,オンライン凸最適化への接続に光を当てることにより,推定器の最適シーケンスを確実に選択する方法を示す。
  論文  参考訳（メタデータ） (2023-11-08T00:10:21Z)
• 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)

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。