論文の概要: HealthMamba: An Uncertainty-aware Spatiotemporal Graph State Space Model for Effective and Reliable Healthcare Facility Visit Prediction

• arxiv url: http://arxiv.org/abs/2602.05286v1
• Date: Thu, 05 Feb 2026 04:14:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-06 18:49:08.755752
• Title: HealthMamba: An Uncertainty-aware Spatiotemporal Graph State Space Model for Effective and Reliable Healthcare Facility Visit Prediction
• Title（参考訳）: HealthMamba: 効果的で信頼性の高い医療施設訪問予測のための不確かさを意識した時空間グラフ空間モデル
• Authors: Dahai Yu, Lin Jiang, Rongchao Xu, Guang Wang,
• Abstract要約: HealthMambaは、正確で信頼性の高い医療施設訪問予測のための不確実性を認識したフレームワークである。 カリフォルニア、ニューヨーク、テキサス、フロリダの4つの大規模施設データセットからHealthMambaを評価する。
• 参考スコア（独自算出の注目度）: 5.676157325165344
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Healthcare facility visit prediction is essential for optimizing healthcare resource allocation and informing public health policy. Despite advanced machine learning methods being employed for better prediction performance, existing works usually formulate this task as a time-series forecasting problem without considering the intrinsic spatial dependencies of different types of healthcare facilities, and they also fail to provide reliable predictions under abnormal situations such as public emergencies. To advance existing research, we propose HealthMamba, an uncertainty-aware spatiotemporal framework for accurate and reliable healthcare facility visit prediction. HealthMamba comprises three key components: (i) a Unified Spatiotemporal Context Encoder that fuses heterogeneous static and dynamic information, (ii) a novel Graph State Space Model called GraphMamba for hierarchical spatiotemporal modeling, and (iii) a comprehensive uncertainty quantification module integrating three uncertainty quantification mechanisms for reliable prediction. We evaluate HealthMamba on four large-scale real-world datasets from California, New York, Texas, and Florida. Results show HealthMamba achieves around 6.0% improvement in prediction accuracy and 3.5% improvement in uncertainty quantification over state-of-the-art baselines.
• Abstract（参考訳）: 医療施設訪問予測は、医療資源配分の最適化と公衆衛生政策の通知に不可欠である。 先進的な機械学習手法による予測性能の向上にもかかわらず、既存の研究は通常、異なるタイプの医療施設の固有の空間的依存関係を考慮せずに、時系列予測問題としてこのタスクを定式化しており、公衆の緊急事態のような異常な状況下での信頼性の高い予測も提供できない。 既存の研究を進めるために,医療施設訪問予測のための不確実性を考慮した時空間的枠組みであるHealthMambaを提案する。 HealthMambaには3つの重要なコンポーネントがある。 (i)異種静的および動的情報を融合する統一時空間エンコーダ。 (II)階層的時空間モデリングのためのグラフマンバと呼ばれる新しいグラフ状態空間モデル 三 信頼性予測のための三つの不確実性定量化機構を統合した包括的不確実性定量化モジュール。 カリフォルニア、ニューヨーク、テキサス、フロリダの4つの大規模な実世界のデータセットでHealthMambaを評価した。 その結果、HealthMambaは予測精度が6.0%向上し、最先端のベースラインに対する不確実性定量化が3.5%向上した。

関連論文リスト

• 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)
• Using Geographic Location-based Public Health Features in Survival Analysis [12.424517746493553]
  本稿では,入力特徴に公衆衛生統計を取り入れた生存分析モデルの補完的改善を提案する。 地理的位置に基づく公衆衛生情報を含めると,Surveillance, Epidemiology, End Results (SEER)データセットで評価されたコンコーマンス指数の統計的に有意な改善が得られた。 生存分析における地理的位置に基づく公衆衛生機能の有用性が示唆された。
  論文  参考訳（メタデータ） (2023-04-16T03:15:00Z)
• Toward Reliable Human Pose Forecasting with Uncertainty [51.628234388046195]
  我々は、複数のモデルを含む人間のポーズ予測のためのオープンソースのライブラリを開発し、複数のデータセットをサポートする。 我々は、パフォーマンスを高め、より良い信頼をもたらすために、問題の2つの不確実性を考案する。
  論文  参考訳（メタデータ） (2023-04-13T17:56:08Z)
• Safe AI for health and beyond -- Monitoring to transform a health service [51.8524501805308]
  機械学習アルゴリズムの出力を監視するために必要なインフラストラクチャを評価する。 モデルのモニタリングと更新の例を示す2つのシナリオを提示します。
  論文  参考訳（メタデータ） (2023-03-02T17:27:45Z)
• Modeling Disagreement in Automatic Data Labelling for Semi-Supervised Learning in Clinical Natural Language Processing [2.016042047576802]
  放射線学報告における観測検出問題に応用した最先端の予測モデルからの不確実性推定の品質について検討する。
  論文  参考訳（メタデータ） (2022-05-29T20:20:49Z)
• When in Doubt: Neural Non-Parametric Uncertainty Quantification for Epidemic Forecasting [70.54920804222031]
  既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。 不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。 本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
  論文  参考訳（メタデータ） (2021-06-07T18:31:47Z)
• 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)
• Health Indicator Forecasting for Improving Remaining Useful Life Estimation [12.250035750661866]
  本稿では,健康指標予測のための新しい生成・シナリオマッチングアルゴリズムを提案する。 実験結果は,他の最先端手法よりもアルゴリズムの方が優れていることを示す。
  論文  参考訳（メタデータ） (2020-06-05T23:02:10Z)

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。