論文の概要: Structured Hybrid Mechanistic Models for Robust Estimation of Time-Dependent Intervention Outcomes

• arxiv url: http://arxiv.org/abs/2602.11350v1
• Date: Wed, 11 Feb 2026 20:39:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-13 21:07:25.532383
• Title: Structured Hybrid Mechanistic Models for Robust Estimation of Time-Dependent Intervention Outcomes
• Title（参考訳）: 時間依存的介入結果のロバスト推定のための構造化ハイブリッド力学モデル
• Authors: Tomer Meir, Ori Linial, Danny Eytan, Uri Shalit,
• Abstract要約: 動的システムにおける介入効果の推定は結果の最適化に不可欠である。 力学モデルは典型的には頑丈であるが、過度に単純化されることもある。 本稿では,時間依存的介入結果の予測のためのハイブリッドなメカニスティック・データ駆動手法を提案する。
• 参考スコア（独自算出の注目度）: 9.820469663506882
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Estimating intervention effects in dynamical systems is crucial for outcome optimization. In medicine, such interventions arise in physiological regulation (e.g., cardiovascular system under fluid administration) and pharmacokinetics, among others. Propofol administration is an anesthetic intervention, where the challenge is to estimate the optimal dose required to achieve a target brain concentration for anesthesia, given patient characteristics, while avoiding under- or over-dosing. The pharmacokinetic state is characterized by drug concentrations across tissues, and its dynamics are governed by prior states, patient covariates, drug clearance, and drug administration. While data-driven models can capture complex dynamics, they often fail in out-of-distribution (OOD) regimes. Mechanistic models on the other hand are typically robust, but might be oversimplified. We propose a hybrid mechanistic-data-driven approach to estimate time-dependent intervention outcomes. Our approach decomposes the dynamical system's transition operator into parametric and nonparametric components, further distinguishing between intervention-related and unrelated dynamics. This structure leverages mechanistic anchors while learning residual patterns from data. For scenarios where mechanistic parameters are unknown, we introduce a two-stage procedure: first, pre-training an encoder on simulated data, and subsequently learning corrections from observed data. Two regimes with incomplete mechanistic knowledge are considered: periodic pendulum and Propofol bolus injections. Results demonstrate that our hybrid approach outperforms purely data-driven and mechanistic approaches, particularly OOD. This work highlights the potential of hybrid mechanistic-data-driven models for robust intervention optimization in complex, real-world dynamical systems.
• Abstract（参考訳）: 動的システムにおける介入効果の推定は結果の最適化に不可欠である。 医学では、そのような介入は生理的調節(例えば、流体管理下の心血管系)や薬物動態などにおいて起こる。 プロポフォール投与(英: Propofol administration)は麻酔の介入であり、麻酔や過剰投与を回避しつつ、患者の特徴を考慮し、麻酔の標的となる脳濃度を達成するのに必要な最適な投与量を見積もることが課題である。 薬物動態状態は、組織全体にわたる薬物濃度によって特徴づけられ、その動態は、先行状態、患者共変量、薬物クリアランス、薬物投与によって制御される。 データ駆動モデルは複雑なダイナミクスをキャプチャできるが、アウト・オブ・ディストリビューション(OOD)レギュレーションでは失敗することが多い。 一方の力学モデルは典型的には堅牢であるが、過度に単純化される可能性がある。 本稿では,時間依存的介入結果の予測のためのハイブリッドなメカニスティック・データ駆動手法を提案する。 本手法は, 動的系の遷移演算子をパラメトリックおよび非パラメトリック成分に分解し, 介入関連と非関係のダイナミクスを区別する。 この構造は、データから残留パターンを学習しながら機械的アンカーを利用する。 機械的パラメータが未知のシナリオでは、まず、シミュレーションデータ上でエンコーダを事前学習し、次に観測データから修正を学習する2段階の手順を導入する。 不完全な機械的知識を持つ2つのレジーム:周期的振り子とプロポフォールのボーラス注入。 その結果、私たちのハイブリッドアプローチは、純粋にデータ駆動および機械的アプローチ、特にOODよりも優れています。 この研究は、複雑な実世界の力学系における堅牢な介入最適化のためのハイブリッド力学データ駆動モデルの可能性を強調している。

関連論文リスト

• Neural Ordinary Differential Equations for Simulating Metabolic Pathway Dynamics from Time-Series Multiomics Data [0.0]
  プロテオームとメタボロームの複雑な相互作用を学習するための動的フレームワークとしてニューラル正規微分方程式(NODE)を導入する。 その結果,LymoneneおよびIsopentenolデータセットの基線上でのルート平均二乗誤差は90%以上改善した。
  論文  参考訳（メタデータ） (2025-12-09T15:44:03Z)
• Improving the Generation and Evaluation of Synthetic Data for Downstream Medical Causal Inference [89.5628648718851]
  因果推論は医療介入の開発と評価に不可欠である。 現実の医療データセットは、規制障壁のためアクセスが難しいことが多い。 本稿では,医学における治療効果分析のための新しい合成データ生成法STEAMを提案する。
  論文  参考訳（メタデータ） (2025-10-21T16:16:00Z)
• Developing hybrid mechanistic and data-driven personalized prediction models for platelet dynamics [0.0]
  造血系に対する薬物による損傷である造血毒性は、しばしば化学療法の副作用である。 現在の力学モデルは、不規則または非典型的軌跡の患者に対して、正確な結果を予測するのに苦労することが多い。 化学療法中の血小板数の個人化時系列モデリングのためのハイブリッド力学およびデータ駆動手法の開発と比較を行った。
  論文  参考訳（メタデータ） (2025-05-27T13:52:23Z)
• Leveraging Cardiovascular Simulations for In-Vivo Prediction of Cardiac Biomarkers [43.17768785084301]
  我々は、新たに構築された心臓シミュレーションの大規模なデータセットに基づいて、無傷神経後部推定器を訓練する。 シミュレーションデータと実世界の測定値との整合性を改善するために,要素モデリング効果を取り入れた。 提案するフレームワークは,実世界のデータに対する予測能力を向上するために,インバイブなデータソースをさらに統合することができる。
  論文  参考訳（メタデータ） (2024-12-23T13:05:17Z)
• Generative Intervention Models for Causal Perturbation Modeling [80.72074987374141]
  多くの応用において、システムのメカニズムが外部の摂動によって変更されるかは未定である。 本稿では、これらの摂動特徴を原子間干渉による分布にマッピングする方法を学習する生成的介入モデル(GIM)を提案する。
  論文  参考訳（メタデータ） (2024-11-21T10:37:57Z)
• CMINNs: Compartment Model Informed Neural Networks -- Unlocking Drug Dynamics [1.7614751781649955]
  本稿では,PKとPK-PDモデリングを統合した革新的な手法を提案する。 提案手法は物理インフォームドニューラルネットワーク(PINN)と分数物理インフォームドニューラルネットワーク(fPINN)を用いる。 その結果、この手法は、薬物吸収率と分散遅延応答のモデル描写を著しく強化する堅牢なフレームワークを提供することを示した。
  論文  参考訳（メタデータ） (2024-09-19T15:01:33Z)
• A Hybrid Multi-Factor Network with Dynamic Sequence Modeling for Early Warning of Intraoperative Hypotension [2.9833446079112473]
  過去の生理的信号を用いた術中低血圧(IOH)予測は重要である。 動的シーケンス予測タスクとしてIOH予測を定式化するハイブリッドマルチファクターネットワークを提案する。 公立と実世界の両方の臨床データセットの実験では、HMFが競争ベースラインを大幅に上回っていることが示されている。
  論文  参考訳（メタデータ） (2024-09-17T10:46:41Z)
• Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
  そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。 また,死亡率と臓器不全の関連性について有意な知見が得られた。
  論文  参考訳（メタデータ） (2024-07-28T02:42:36Z)
• Continuous Forecasting via Neural Eigen Decomposition of Stochastic Dynamics [47.82509795873254]
  本稿では,スパース観測と適応力学を用いた逐次予測のためのニューラル固有SDEアルゴリズムを提案する。 NESDEは、スパース観測による効率的な頻繁な予測を可能にするために、力学モデルに固有分解を適用する。 我々は,MIMIC-IVデータセットにおけるヘパリン投与後の血液凝固の患者適応予測を初めて行った。
  論文  参考訳（メタデータ） (2022-01-31T22:16:50Z)
• Coupled and Uncoupled Dynamic Mode Decomposition in Multi-Compartmental Systems with Applications to Epidemiological and Additive Manufacturing Problems [58.720142291102135]
  非線形問題に適用した場合,動的分解(DMD)は強力なツールである可能性が示唆された。 特に,Covid-19に対する連続遅延SIRDモデルに対する興味深い数値的応用を示す。
  論文  参考訳（メタデータ） (2021-10-12T21:42:14Z)
• 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)

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。