Fugu-MT 論文翻訳(概要): Evidence-based anomaly detection in clinical domains

論文の概要: Evidence-based anomaly detection in clinical domains

arxiv url: http://arxiv.org/abs/2605.04664v1
Date: Wed, 06 May 2026 09:10:46 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-07 18:41:07.74072
Title: Evidence-based anomaly detection in clinical domains
Title（参考訳）: 臨床領域におけるエビデンスに基づく異常検出
Abstract要約: 特定の患者の管理判断を評価できる新しい確率的異常検出法を開発し,検討した。本手法は術後心疾患患者における異常な患者管理決定の特定に応用する。
参考スコア（独自算出の注目度）: 31.97862489086428
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Anomaly detection methods can be very useful in identifying interesting or concerning events. In this work, we develop and examine new probabilistic anomaly detection methods that let us evaluate management decisions for a specific patient and identify those decisions that are highly unusual with respect to patients with the same or similar condition. The statistics used in this detection are derived from probabilistic models such as Bayesian networks that are learned from a database of past patient cases. We apply our methods to the problem of identifying unusual patient-management decisions in post-surgical cardiac patients.
Abstract（参考訳）: 異常検出法は、興味深い、または関連する事象を特定するのに非常に有用である。本研究は, 特定の患者の管理判断を評価できる新しい確率的異常検出法を開発し, 同一又は類似の疾患の患者に対して極めて稀な決定を同定するものである。この検出に使用される統計は、過去の患者のデータベースから学習されたベイズネットワークのような確率論的モデルから導かれる。本手法は術後心疾患患者における異常な患者管理決定の特定に応用する。

関連論文リスト

Conditional anomaly detection methods for patient-management alert systems [14.876699168760304]
最近提案された条件付き異常検出フレームワークは、異常検出を拡張し、データ内の属性のサブセット上の異常パターンを特定する。本稿では,条件付き異常を検出するインスタンスベースの手法について述べる。実世界の2つの検出問題に対するインスタンスベースの手法の利点を示す。
論文参考訳（メタデータ） (2026-05-11T16:58:48Z)
Probabilistic Machine Learning for Uncertainty-Aware Diagnosis of Industrial Systems [2.7946438090394903]
本研究では、アンサンブル確率論的機械学習を用いて、データ駆動一貫性に基づく診断の診断特性を改善するフレームワークを提案する。本手法はアブレーション法と比較解析法の両方を用いていくつかのケーススタディで評価され, 診断基準の範囲で一貫した改善が見られた。
論文参考訳（メタデータ） (2025-09-23T08:59:20Z)
Uncertainty-aware abstention in medical diagnosis based on medical texts [87.88110503208016]
本研究は,AI支援医療診断における信頼性の重要課題について論じる。本研究は,診断に自信がなければ,診断システムによる意思決定の回避を可能にする選択予測手法に焦点をあてる。我々は、選択予測タスクにおける信頼性を高めるための新しい最先端手法であるHUQ-2を紹介する。
論文参考訳（メタデータ） (2025-02-25T10:15:21Z)
Decoding Decision Reasoning: A Counterfactual-Powered Model for Knowledge Discovery [6.1521675665532545]
医用画像では、AIモデルの予測の背後にある根拠を明らかにすることが、信頼性を評価する上で重要である。本稿では,意思決定推論と特徴識別機能を備えた説明可能なモデルを提案する。提案手法を実装することにより,データ駆動モデルにより活用されるクラス固有の特徴を効果的に識別および可視化することができる。
論文参考訳（メタデータ） (2024-05-23T19:00:38Z)
Unified Uncertainty Estimation for Cognitive Diagnosis Models [70.46998436898205]
本稿では,幅広い認知診断モデルに対する統一的不確実性推定手法を提案する。診断パラメータの不確かさをデータ・アスペクトとモデル・アスペクトに分解する。本手法は有効であり,認知診断の不確実性に関する有用な知見を提供することができる。
論文参考訳（メタデータ） (2024-03-09T13:48:20Z)
Domain constraints improve risk prediction when outcome data is missing [1.6840408099522377]
機械学習モデルにより, 検査対象者および検査対象者双方のリスクを正確に推定できることが示唆された。本研究は,癌リスク予測のケーススタディに適用し,そのモデルが癌診断を予測していることを示す。
論文参考訳（メタデータ） (2023-12-06T19:49:06Z)
Diagnosis Uncertain Models For Medical Risk Prediction [80.07192791931533]
本研究は, 患者の診断にはアクセスできない, バイタルサイン, 検査値, 既往歴にアクセス可能な患者リスクモデルについて考察する。このようなすべての原因のリスクモデルが、診断全体にわたって良い一般化を持つが、予測可能な障害モードを持つことが示される。患者診断の不確実性から生じるリスク予測の不確実性を明示的にモデル化し,この問題に対する対策を提案する。
論文参考訳（メタデータ） (2023-06-29T23:36:04Z)
Benchmarking Heterogeneous Treatment Effect Models through the Lens of Interpretability [82.29775890542967]
治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
論文参考訳（メタデータ） (2022-06-16T17:59:05Z)
What Do You See in this Patient? Behavioral Testing of Clinical NLP Models [69.09570726777817]
本稿では,入力の変化に関する臨床結果モデルの振る舞いを評価する拡張可能なテストフレームワークを提案する。私たちは、同じデータを微調整しても、モデル行動は劇的に変化し、最高のパフォーマンスのモデルが常に最も医学的に可能なパターンを学習していないことを示しています。
論文参考訳（メタデータ） (2021-11-30T15:52:04Z)
Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
論文参考訳（メタデータ） (2021-02-08T10:26:44Z)
Uncertainty estimation for classification and risk prediction on medical tabular data [0.0]
本研究は,医療データの分類とリスク予測のための不確実性推定の理解を深めるものである。医療などのデータ共有分野において、モデルの予測の不確実性を測定する能力は、意思決定支援ツールの改善につながる可能性がある。
論文参考訳（メタデータ） (2020-04-13T08:46:41Z)

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。