論文の概要: Ensemble Machine Learning and Statistical Procedures for Dynamic Predictions of Time-to-Event Outcomes

• arxiv url: http://arxiv.org/abs/2602.19761v1
• Date: Mon, 23 Feb 2026 12:12:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-24 17:42:02.800742
• Title: Ensemble Machine Learning and Statistical Procedures for Dynamic Predictions of Time-to-Event Outcomes
• Title（参考訳）: 時系列結果の動的予測のためのエンサンブル機械学習と統計的手順
• Authors: Nina van Gerwen, Sten Willemsen, Bettina E. Hansen, Christophe Corpechot, Marco Carbone, Cynthia Levy, Maria-Carlota Londõno, Atsushi Tanaka, Palak Trivedi, Alejandra Villamil, Gideon Hirschfield, Dimitris Rizopoulos,
• Abstract要約: 我々はSuper Learnerフレームワークを拡張し、異なるモデルとプロシージャからの動的予測を組み合わせる。 本研究の動機は,原発性胆道胆管炎患者の意思決定過程における動的予測の応用である。
• 参考スコア（独自算出の注目度）: 29.039962620404822
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Dynamic predictions for longitudinal and time-to-event outcomes have become a versatile tool in precision medicine. Our work is motivated by the application of dynamic predictions in the decision-making process for primary biliary cholangitis patients. For these patients, serial biomarker measurements (e.g., bilirubin and alkaline phosphatase levels) are routinely collected to inform treating physicians of the risk of liver failure and guide clinical decision-making. Two popular statistical approaches to derive dynamic predictions are joint modelling and landmarking. However, recently, machine learning techniques have also been proposed. Each approach has its merits, and no single method exists to outperform all others. Consequently, obtaining the best possible survival estimates is challenging. Therefore, we extend the Super Learner framework to combine dynamic predictions from different models and procedures. Super Learner is an ensemble learning technique that allows users to combine different prediction algorithms to improve predictive accuracy and flexibility. It uses cross-validation and different objective functions of performance (e.g., squared loss) that suit specific applications to build the optimally weighted combination of predictions from a library of candidate algorithms. In our work, we pay special attention to appropriate objective functions for Super Learner to obtain the most optimal weighted combination of dynamic predictions. In our primary biliary cholangitis application, Super Learner presented unique benefits due to its ability to flexibly combine outputs from a diverse set of models with varying assumptions for equal or better predictive performance than any model fit separately.
• Abstract（参考訳）: 経時的および経時的結果の動的予測は、精密医療において汎用的なツールとなっている。 本研究の動機は,原発性胆道胆管炎患者の意思決定過程における動的予測の応用である。 これらの患者に対しては、連続的バイオマーカー測定(例えば、ビリルビン、アルカリホスファターゼレベル)を定期的に収集し、肝不全のリスクを医師に知らせ、臨床診断を導く。 動的予測を導出する2つの一般的な統計的アプローチは、共同モデリングとランドマークである。 しかし、近年では機械学習技術も提案されている。 それぞれのアプローチにはメリットがあり、他のすべての方法を上回る方法はありません。 したがって、可能な限りの生存推定値を得ることは困難である。 そこで、我々はSuper Learnerフレームワークを拡張して、異なるモデルとプロシージャからの動的予測を組み合わせる。 Super Learnerは、さまざまな予測アルゴリズムを組み合わせて予測精度と柔軟性を向上させるアンサンブル学習技術である。 クロスバリデーションと、特定のアプリケーションに適したパフォーマンス(例えば2乗損失)の異なる目的関数を使用して、候補アルゴリズムのライブラリから最適に重み付けされた予測の組み合わせを構築する。 本研究は, 動的予測の最適重み付け組合せを得るために, 超学習者にとって適切な目的関数に特別な注意を払う。 一次胆汁性胆管炎アプリケーションにおいてSuper Learnerは、様々なモデルのアウトプットと、どのモデルよりも同等またはより良い予測性能の仮定を柔軟に組み合わせる能力により、ユニークな利点を示した。

関連論文リスト

• An Orthogonal Learner for Individualized Outcomes in Markov Decision Processes [55.93922317950527]
  DRQ-learnerと呼ばれる新しいメタラーナーを開発した。 DRQ-learnerは離散状態空間と連続状態空間の両方の設定に適用できます。
  論文  参考訳（メタデータ） (2025-09-30T15:49:29Z)
• On Arbitrary Predictions from Equally Valid Models [49.56463611078044]
  モデル多重性(英: Model multiplicity)とは、同じ患者に対して矛盾する予測を認める複数の機械学習モデルを指す。 たとえ小さなアンサンブルであっても、実際は予測的多重性を緩和・緩和できることを示す。
  論文  参考訳（メタデータ） (2025-07-25T16:15:59Z)
• SurgeryLSTM: A Time-Aware Neural Model for Accurate and Explainable Length of Stay Prediction After Spine Surgery [44.119171920037196]
  選択的脊椎手術における滞在時間(LOS)予測のための機械学習モデルの開発と評価を行った。 我々は,従来のMLモデルと,マスク付き双方向長短期記憶(BiLSTM)であるオペレーショナルLSTMを比較した。 決定係数(R2)を用いて性能を評価し,説明可能なAIを用いて鍵予測器を同定した。
  論文  参考訳（メタデータ） (2025-07-15T01:18:28Z)
• Benchmarking Foundation Models and Parameter-Efficient Fine-Tuning for Prognosis Prediction in Medical Imaging [40.35825564674249]
  本研究では,基礎モデルにおける伝達学習戦略の堅牢性と効率性を評価するための最初の構造化されたベンチマークを紹介する。 新型コロナウイルス(COVID-19)の胸部X線データセットが4つ使用されており、死亡率、重症度、入院率をカバーしている。 一般またはバイオメディカルデータセットで事前訓練されたImageNetとFMで事前訓練されたCNNは、完全な微調整、線形探索、パラメータ効率のよい手法を用いて適応された。
  論文  参考訳（メタデータ） (2025-06-23T09:16:04Z)
• MIL vs. Aggregation: Evaluating Patient-Level Survival Prediction Strategies Using Graph-Based Learning [52.231128973251124]
  我々は,WSIおよび患者レベルでの生存を予測するための様々な戦略を比較した。 前者はそれぞれのWSIを独立したサンプルとして扱い、他の作業で採用された戦略を模倣します。 後者は、複数のWSIの予測を集約するか、最も関連性の高いスライドを自動的に識別するメソッドを含む。
  論文  参考訳（メタデータ） (2025-03-29T11:14:02Z)
• Optimizing Disease Prediction with Artificial Intelligence Driven Feature Selection and Attention Networks [0.0]
  この記事では、先駆的なアンサンブル特徴選択モデルを紹介します。 提案モデルの中心には、最適な特徴選択のための新しいアプローチであるSEV-EBアルゴリズムがある。 HSC-AttentionNetが導入され、モデルが健康データ内の短期パターンと長期依存関係の両方をキャプチャできる。
  論文  参考訳（メタデータ） (2024-07-31T14:12:27Z)
• Dynamic feature selection in medical predictive monitoring by reinforcement learning [4.967941028121525]
  多くの既存特徴選択手法は時系列情報を効果的に活用するには不十分である。 我々は、最大限のコスト制約の下でポリシーを最適化するために強化学習を採用する。 我々の手法は、微分不可能な予測モデルとシームレスに統合できる。
  論文  参考訳（メタデータ） (2024-05-30T06:21:11Z)
• Application of Machine Learning Algorithms in Classifying Postoperative Success in Metabolic Bariatric Surgery: A Comprehensive Study [0.32985979395737786]
  本研究は, メタボリック・バリウム手術の文脈において, 患者を分類するための新しい機械学習手法を提案する。 GaussianNB、ComplementNB、KNN、Decision Tree、RandomOverSamplerのKNN、SMOTEのKNNなど、さまざまな機械学習モデルを73人のデータセットに適用した。
  論文  参考訳（メタデータ） (2024-03-29T11:27:37Z)
• ASPEST: Bridging the Gap Between Active Learning and Selective Prediction [56.001808843574395]
  選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。 アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。 本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
  論文  参考訳（メタデータ） (2023-04-07T23:51:07Z)
• HyperImpute: Generalized Iterative Imputation with Automatic Model Selection [77.86861638371926]
  カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。 既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
  論文  参考訳（メタデータ） (2022-06-15T19:10:35Z)
• Bridging the Gap Between Patient-specific and Patient-independent Seizure Prediction via Knowledge Distillation [7.2666838978096875]
  既存のアプローチは通常、てんかんの信号の高度にパーソナライズされた特性のために、患者固有の方法でモデルを訓練する。 患者固有のモデルは、蒸留された知識と追加のパーソナライズされたデータによって得られる。 提案手法を用いて,CHB-MIT sEEGデータベース上で5つの最先端の発作予測法を訓練する。
  論文  参考訳（メタデータ） (2022-02-25T10:30:29Z)

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。