論文の概要: Resolving the bias-precision paradox with stochastic causal representation learning for personalized medicine

• arxiv url: http://arxiv.org/abs/2605.05706v1
• Date: Thu, 07 May 2026 05:51:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.543504
• Title: Resolving the bias-precision paradox with stochastic causal representation learning for personalized medicine
• Title（参考訳）: パーソナライズド医療のための確率的因果表現学習によるバイアス精度パラドックスの解消
• Authors: Peisong Zhang, Manqiang Peng, Yuxuan Wu, Pawit Phadungsaksawasdi, Wesley Yeung, Ye Zhang, Trang Nguyen, Qiang Zhang, Nan Liu, Meng Wang, Kee Yuan Ngiam, Yih-Chung Tham, Ching-Yu Cheng, Tianfan Fu, Qingyu Chen, Rosemary Ke, Chang Li, Wenzhuo Yang, Zhenghao Lu, Chunyou Lai, Yu Zhang, Sheng Zhong, Hao Deng, Dianbo Liu,
• Abstract要約: 縦断的観察データから個別化された治療効果を推定することは、データ駆動医療の中心である。 ここでは、この緊張関係を因果表現学習における偏差精度パラドックスとみなす。 我々は,大域的対位法をサブセットレベルのマッチングに置き換えるために,サンプリングベース最大差分法(sMMD)を導入する。
• 参考スコア（独自算出の注目度）: 31.644027724480235
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Estimating individualized treatment effects from longitudinal observational data is central to data-driven medicine, yet existing methods face a fundamental limitation: reducing confounding bias often suppresses clinically informative heterogeneity, degrading patient-specific predictions. Here, we identify this tension as a bias-precision paradox in causal representation learning and introduce sampling-based maximum mean discrepancy (sMMD), a stochastic alignment strategy that replaces global adversarial balancing with subset-level matching. We instantiate this approach in a framework for counterfactual outcome prediction with attribution-grounded interpretability. Across two large-scale ICU cohorts (n = 27,783), our framework improves accuracy under distribution shift, reducing error by up to 11.5% and substantially increasing recall in high-risk tasks. Mechanistic analyses show that sMMD selectively preserves clinically decisive variables. In human-AI evaluation, our method outperforms clinicians-in-training and large language models, and improves clinician accuracy by 14.7% while reducing decision time, enabling interpretable, real-time clinical decision support.
• Abstract（参考訳）: 縦断的な観察データから個別化された治療効果を推定することは、データ駆動医療の中心であるが、既存の方法では基本的な制限に直面している。 本稿では、この緊張関係を因果表現学習におけるバイアス精度パラドックスとみなし、大域的対角バランスをサブセットレベルのマッチングに置き換える確率的アライメント戦略であるサンプリングベース最大平均誤差(sMMD)を導入する。 本手法は,帰属的解釈可能性を持つ反実的結果予測のためのフレームワークで実現される。 2つの大規模ICUコホート(n = 27783)において、我々のフレームワークは分布シフト時の精度を改善し、エラーを最大11.5%削減し、リスクの高いタスクのリコールを大幅に増加させる。 機械学的解析により、sMMDは臨床的に決定的な変数を選択的に保存することが示された。 人-AI評価において,本手法は臨床研修モデルと大規模言語モデルより優れ,意思決定時間を短縮しつつ,臨床の精度を14.7%向上させ,解釈可能なリアルタイム臨床決定支援を可能にした。

関連論文リスト

• ReMedi: Reasoner for Medical Clinical Prediction [70.84466325266068]
  EHRによる臨床結果予測を改善するためのフレームワークであるReMediを提案する。 ReMediは、複雑な臨床問題に対する挑戦的なサンプル再生機構を用いて有理応答対を生成する。 複数のEHR予測タスクの実験では、F1スコアで最先端のベースラインを19.9%上回った。
  論文  参考訳（メタデータ） (2026-05-02T14:44:49Z)
• A Data-Driven Approach to Support Clinical Renal Replacement Therapy [1.7666791716676549]
  本研究では,CRRT(Continuous Renal Replacement Therapy)を施行した重症患者の膜汚濁予測のためのデータ駆動機械学習手法について検討した。 ICUの時系列データを用いて,臨床選択した16種類の特徴を同定し,予測モデルを訓練した。 結果は異なる予測地平線にわたって頑健なままであった。
  論文  参考訳（メタデータ） (2026-02-26T11:47:22Z)
• Adaptive-CaRe: Adaptive Causal Regularization for Robust Outcome Prediction [16.391352325575763]
  監視された機械学習アルゴリズムは、医療領域における結果予測に一般的に使用される。 本稿では,医療領域における一般結果予測のためのモデル非依存型正規化戦略であるAdaptive-CaReを提案する。
  論文  参考訳（メタデータ） (2026-02-06T11:14:03Z)
• Case Prompting to Mitigate Large Language Model Bias for ICU Mortality Prediction [17.91443453604627]
  大規模言語モデル(LLM)は、構造化された医療データから結果を予測することを約束している。 LLMは性、年齢、人種に関する人口統計バイアスを示し、臨床実践における信頼に値する使用を制限することができる。 本研究では,公正さとパフォーマンスを同時に向上するトレーニングフリー,臨床適応型プロンプトフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-17T12:29:53Z)
• 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)
• Preictal Period Optimization for Deep Learning-Based Epileptic Seizure Prediction [0.0]
  我々は頭皮脳波(EEG)信号を用いた発作予測のための競合的深層学習モデルを開発した。 オープンアクセス型CHB-MITデータセットを対象とした19名の小児患者を対象に,本モデルを訓練・評価した。 各患者のOPPを用いて、平均感度は99.31%、特異性は95.34%、AUCは99.35%、F1-スコアは97.46%と正しく同定された。
  論文  参考訳（メタデータ） (2024-07-20T13:49:14Z)
• Quantifying predictive uncertainty of aphasia severity in stroke patients with sparse heteroscedastic Bayesian high-dimensional regression [47.1405366895538]
  高次元データに対する疎線型回帰法は、通常、残留物が一定の分散を持つと仮定するが、これは実際には破ることができる。 本稿では,ヘテロセダスティック分割経験的ベイズ期待条件最大化アルゴリズムを用いて,高次元ヘテロセダスティック線形回帰モデルを推定する。
  論文  参考訳（メタデータ） (2023-09-15T22:06:29Z)
• Automatic diagnosis of knee osteoarthritis severity using Swin transformer [55.01037422579516]
  変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。 我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
  論文  参考訳（メタデータ） (2023-07-10T09:49:30Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• Increasing the efficiency of randomized trial estimates via linear adjustment for a prognostic score [59.75318183140857]
  ランダム化実験による因果効果の推定は臨床研究の中心である。 歴史的借用法のほとんどは、厳格なタイプiエラー率制御を犠牲にして分散の削減を達成する。
  論文  参考訳（メタデータ） (2020-12-17T21:10:10Z)

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。