論文の概要: Temporal Sepsis Modeling: a Fully Interpretable Relational Way

• arxiv url: http://arxiv.org/abs/2601.21747v1
• Date: Thu, 29 Jan 2026 14:02:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-30 16:22:49.875979
• Title: Temporal Sepsis Modeling: a Fully Interpretable Relational Way
• Title（参考訳）: 時間的セプシスモデリング:完全に解釈可能な関係性
• Authors: Vincent Lemaire, Nédra Meloulli, Pierre Jaquet,
• Abstract要約: 深層学習モデルは解釈可能性に欠けることが多く、潜伏した患者サブフェノタイプを無視する。 本稿では,この問題に対処するための新たな道を開くことによる機械学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sepsis remains one of the most complex and heterogeneous syndromes in intensive care, characterized by diverse physiological trajectories and variable responses to treatment. While deep learning models perform well in the early prediction of sepsis, they often lack interpretability and ignore latent patient sub-phenotypes. In this work, we propose a machine learning framework by opening up a new avenue for addressing this issue: a relational approach. Temporal data from electronic medical records (EMRs) are viewed as multivariate patient logs and represented in a relational data schema. Then, a propositionalisation technique (based on classic aggregation/selection functions from the field of relational data) is applied to construct interpretable features to "flatten" the data. Finally, the flattened data is classified using a selective naive Bayesian classifier. Experimental validation demonstrates the relevance of the suggested approach as well as its extreme interpretability. The interpretation is fourfold: univariate, global, local, and counterfactual.
• Abstract（参考訳）: セプシスは集中治療において最も複雑で異種な症候群の1つであり、様々な生理的軌跡と治療に対する多様な反応が特徴である。 深層学習モデルは敗血症の早期予測においてよく機能するが、解釈可能性に欠け、潜伏した患者サブフェノタイプを無視することが多い。 本研究では,この問題に対処するための新たな道を開くことによる機械学習フレームワークを提案する。 電子カルテ(EMR)の時間データは多変量患者ログと見なされ、関係データスキーマで表される。 次に、解釈可能な特徴を構築して「フラット化」するために、命題化手法(関係データの分野からの古典的な集約/選択関数に基づく)を適用する。 最後に、フラット化されたデータは選択的なベイズ分類器を用いて分類される。 実験による検証は提案手法と極端な解釈可能性の関連性を示す。 解釈は4つある: 単変量、大域的、局所的、反実的である。

関連論文リスト

• LUME-DBN: Full Bayesian Learning of DBNs from Incomplete data in Intensive Care [0.41292255339309664]
  不完全データから動的ベイズネットワークを学習するための新しいギブスサンプリング手法を提案する。 本手法は,重症心身障害患者のシミュレーションデータと実世界集中治療データの両方を用いて評価した。
  論文  参考訳（メタデータ） (2025-11-06T13:13:39Z)
• Sequential Inference of Hospitalization Electronic Health Records Using Probabilistic Models [3.2988476179015005]
  本研究では,入院電子健康記録(EHR)データに含まれる複数の任意長配列に対する確率的教師なしモデルの設計を行う。 このモデルは潜在変数構造を使用し、薬物、診断、実験室のテスト、神経学的評価、薬物の間の複雑な関係を捉えている。 推論アルゴリズムは、部分的データを用いて、その長さや特定の値の存在を含む完全なシーケンスの特性を推測する。
  論文  参考訳（メタデータ） (2024-03-27T21:06:26Z)
• Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
  同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。 構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。 スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
  論文  参考訳（メタデータ） (2024-03-02T00:56:05Z)
• T-Phenotype: Discovering Phenotypes of Predictive Temporal Patterns in Disease Progression [82.85825388788567]
  我々は、ラベル付き時系列データから予測時相パターンの表現型を発見するために、新しい時間的クラスタリング手法T-Phenotypeを開発した。 T-フェノタイプは, 評価ベースラインのすべてに対して, 最良の表現型発見性能を示す。
  論文  参考訳（メタデータ） (2023-02-24T13:30:35Z)
• Unsupervised EHR-based Phenotyping via Matrix and Tensor Decompositions [0.6875312133832078]
  本稿では,低ランク近似に基づく計算表現法について概観する。 近年,様々な制約を組み込んだ低ランクデータ近似手法が開発され,解釈可能性の向上が図られている。
  論文  参考訳（メタデータ） (2022-09-01T09:47:27Z)
• MoReL: Multi-omics Relational Learning [26.484803417186384]
  ヘテロジニアスビューの分子間相互作用をコードする多部グラフを効率的に推定する新しいディープベイズ生成モデルを提案する。 このようなディープベイズ生成モデルにおける最適輸送正則化により、ビュー固有側情報を組み込むだけでなく、分布ベース正則化によるモデルの柔軟性も向上する。
  論文  参考訳（メタデータ） (2022-03-15T02:50:07Z)
• Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
  マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。 共通情報と相補情報の両方を敵意で抽出することを目的としている。 特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
  論文  参考訳（メタデータ） (2021-02-15T18:46:44Z)
• DeepRite: Deep Recurrent Inverse TreatmEnt Weighting for Adjusting Time-varying Confounding in Modern Longitudinal Observational Data [68.29870617697532]
  時系列データにおける時間変化の相違に対するDeep Recurrent Inverse TreatmEnt重み付け(DeepRite)を提案する。 DeepRiteは、合成データから基底的真理を復元し、実際のデータから偏りのない処理効果を推定する。
  論文  参考訳（メタデータ） (2020-10-28T15:05:08Z)
• 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。

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。