論文の概要: Using Artificial Neural Networks to Predict Claim Duration in a Work Injury Compensation Environment

• arxiv url: http://arxiv.org/abs/2603.00100v1
• Date: Tue, 17 Feb 2026 16:51:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-09 01:20:08.052133
• Title: Using Artificial Neural Networks to Predict Claim Duration in a Work Injury Compensation Environment
• Title（参考訳）: ニューラルネットワークを用いた作業傷害補償環境におけるクレーム持続時間予測
• Authors: Anthony Almudevar,
• Abstract要約: リプリーによるCox比例ハザード回帰の人工ニューラルネットワーク実装について述べる(1998年論文)。 モデルは、損傷コードを入力すると同時に、基本的な人口統計情報や職場情報も受け入れる。 出力は、分布の形式でクレーム期間予測からなる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Currently, work injury compensation boards in Canada track injury information using a standard system of codes (under the National Work Injury Statistics Program (NWISP)). These codes capture the medical nature and original cause of the injury in some detail, hence they potentially contain information which may be used to predict the severity of an injury and the resulting time loss from work. Claim duration easurements and forecasts are central to the operation of a work injury compensation program. However, due to the complexity of the codes traditional statistical modelling techniques are of limited value. We will describe an artificial neural network implementation of Cox proportional hazards regression due to Ripley (1998 thesis) which is used as the basis for a model for the prediction of claim duration within a work injury compensation environment. The model accepts as input the injury codes, as well as basic demographic and workplace information. The output consists of a claim duration prediction in the form of a distribution. The input represents information available when a claim is first filed, and may therefore be used in a claims management setting. We will describe the model selection procedure, as well as a procedure for accepting inputs with missing covariates.
• Abstract（参考訳）: 現在、カナダにおける労働傷害補償委員会は、標準的な基準(NWISP(National Work Injury Statistics Program))を用いて、負傷情報を追跡している。 これらの符号は、傷の病原性や原原因を詳細に捉えており、怪我の重症度と結果の労働時間損失を予測するために使用される可能性のある情報を含んでいる可能性がある。 労働損害補償プログラムの運用において、クレーム持続時間と予測が中心となる。 しかし、符号の複雑さのため、従来の統計モデリング技術は限られた価値しか持たない。 リプリー(1998年論文)によるCox比例的ハザードレグレッションの人工ニューラルネットワークによる実装について述べる。 モデルは、損傷コードを入力すると同時に、基本的な人口統計情報や職場情報も受け入れる。 出力は、分布の形式でクレーム期間予測からなる。 入力は、クレームが最初に提出されたときに利用可能な情報を表し、クレーム管理設定で使用することができる。 モデル選択手順と、欠落した共変量を持つ入力を受け入れる手順について述べる。

関連論文リスト

• Prediction-Powered Causal Inferences [59.98498488132307]
  予測型因果推論(PPCI)に焦点をあてる まず, 条件付きキャリブレーションにより, 人口レベルでの有効なPPCIが保証されることを示す。 次に、実験間での十分な表現制約伝達の妥当性を導入する。
  論文  参考訳（メタデータ） (2025-02-10T10:52:17Z)
• An Efficient Rehearsal Scheme for Catastrophic Forgetting Mitigation during Multi-stage Fine-tuning [55.467047686093025]
  このような忘れを緩和するための一般的なアプローチは、微調整中に以前のタスクからサンプルをリハーサルすることである。 側方損傷のリハーサルを優先するサンプリング手法である textttbf mix-cd を提案する。 我々の手法は計算効率が高く、実装が容易で、計算制約のある設定においていくつかの主要な連続学習手法より優れています。
  論文  参考訳（メタデータ） (2024-02-12T22:32:12Z)
• MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
  本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。 トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。 ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
  論文  参考訳（メタデータ） (2023-10-04T01:36:30Z)
• Contrastive Learning-based Imputation-Prediction Networks for In-hospital Mortality Risk Modeling using EHRs [9.578930989075035]
  本稿では, EHRデータを用いた病院内死亡リスク予測のための, 対照的な学習ベース予測ネットワークを提案する。 本研究は, グラフ解析に基づく患者層形成モデルを用いて, 似通った患者をグループ化する手法を提案する。 2つの実世界のEHRデータセットの実験により、我々のアプローチは、計算タスクと予測タスクの両方において最先端のアプローチよりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-08-19T03:24:34Z)
• Temporal Robustness against Data Poisoning [69.01705108817785]
  データ中毒は、悪意のあるトレーニングデータを通じて、敵対者が機械学習アルゴリズムの振る舞いを操作する場合を考慮している。 本研究では,攻撃開始時間と攻撃持続時間を測定する2つの新しい指標である耳線と持続時間を用いたデータ中毒の時間的脅威モデルを提案する。
  論文  参考訳（メタデータ） (2023-02-07T18:59:19Z)
• Interpretable (not just posthoc-explainable) medical claims modeling for discharge placement to prevent avoidable all-cause readmissions or death [2.198760145670348]
  我々は回帰係数の変動を表現するために本質的に解釈可能な多レベルベイズフレームワークを開発した。 我々は,この枠組みを用いて,医療クレームを用いた生存モデルを定式化し,入院と死亡を予測した。 2009-2011年の入院エピソードに基づいて、2008年と2011年の医療受給者の5%のサンプルを用いてモデルを訓練し、2012年のエピソードでモデルを検証した。
  論文  参考訳（メタデータ） (2022-08-28T06:19:32Z)
• auton-survival: an Open-Source Package for Regression, Counterfactual Estimation, Evaluation and Phenotyping with Censored Time-to-Event Data [14.928328404160299]
  検閲されたデータの処理を合理化するためのツールのオープンソースリポジトリであるauton-survivalを紹介します。 我々は、複雑な健康問題や疫学的な疑問に答える上で、データサイエンティストを迅速に支援するオートンサバイバルの能力を実証する。
  論文  参考訳（メタデータ） (2022-04-15T00:24:56Z)
• Bayesian analysis of the prevalence bias: learning and predicting from imbalanced data [10.659348599372944]
  本稿では,モデル学習のための理論的および計算的枠組みと,有病率バイアスの存在下での予測について述べる。 原則的なトレーニング損失の代替として,要約曲線から操作点を選択することで,テスト時の手順を補完するものだ。 バックプロパゲーションを用いた(深い)学習の現在のパラダイムにシームレスに統合され、ベイズモデルと自然に結合する。
  論文  参考訳（メタデータ） (2021-07-31T14:36:33Z)
• Estimation with Uncertainty via Conditional Generative Adversarial Networks [3.829070379776576]
  条件付き生成逆数ネットワーク(cGAN)におけるジェネレータの使い方が異なる予測確率型ニューラルネットワークモデルを提案する。 通常のcGANの入力と出力を反転させることで、モデルを予測モデルとしてうまく利用することができる。 さらに,予測の不確実性を測定するために,回帰問題や分類問題に対するエントロピーと相対エントロピーを導入する。
  論文  参考訳（メタデータ） (2020-07-01T08:54:17Z)

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。