論文の概要: Generating synthetic electronic health record data using agent-based models to evaluate machine learning robustness under mass casualty incidents

• arxiv url: http://arxiv.org/abs/2605.09951v1
• Date: Mon, 11 May 2026 04:00:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.50721
• Title: Generating synthetic electronic health record data using agent-based models to evaluate machine learning robustness under mass casualty incidents
• Title（参考訳）: エージェントモデルを用いた人工電子健康記録データの生成と大量災害時の機械学習の堅牢性評価
• Authors: Roben Delos Reyes, Daniel Capurro, Nicholas Geard,
• Abstract要約: 災害による大量災害(MCI)は、これが問題となる重要な事例である。 MCIの実際のEHRデータは制限や利用できないことが多いため、そのような条件下でMLの堅牢性を評価することは、デプロイが困難なままである。 本稿では,MCIシナリオ下でのMLモデルのロバスト性を評価するために,合成EHRデータを生成するエージェントベースモデリング手法を提案する。
• 参考スコア（独自算出の注目度）: 0.8352564470344691
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: ML models in healthcare are typically evaluated using curated real-world EHR data. A key limitation of such evaluations is that they may fail to assess the robustness of ML models to changes in the data at deployment, which is a common issue because EHR data used for ML model development cannot capture all such changes. Mass casualty incidents (MCIs) caused by disasters are critical instances where this will be an issue, as they induce rare, uncertain, and novel changes to routine system conditions. Because real-world EHR data from MCIs are often limited or unavailable, assessing ML robustness under such conditions before deployment remains challenging. Here, we propose an agent-based modelling approach for generating synthetic EHR data to evaluate the robustness of ML models under MCI scenarios. We use real-world EHR data to develop and calibrate an agent-based model (ABM) of an emergency department (ED) that explicitly models patient arrivals, resource capacity, and clinical workflow. By changing these system conditions to reflect plausible MCI scenarios, the ED model generates synthetic versions of the real-world EHR data that exhibit shifts in system behaviour. Using these synthetic data, we test ML models for predicting length of stay. We observed consistent declines in recall under MCI conditions relative to baseline system conditions, resulting in an increase in the number of patients with prolonged length of stay that were missed by the ML models. These results highlight the impact of changes in system conditions on patient outcomes, EHR data, and ML model performance. Our work establishes ABM-based synthetic EHR data generation as a proactive and systematic approach for evaluating the robustness of ML models under MCI or other system conditions not captured in real-world EHR data, supporting the safer and more effective deployment of ML models in healthcare systems.
• Abstract（参考訳）: 医療におけるMLモデルは、典型的には、実世界のEHRデータを用いて評価される。 このような評価の重要な制限は、デプロイ時にデータの変更に対して、MLモデルの堅牢性を評価することができないことだ。 災害による大量災害(MCI)は、稀で不確実で、定期的なシステム状態に新しい変化をもたらすため、この問題が問題となる重要な事例である。 MCIの実際のEHRデータは制限や利用できないことが多いため、そのような条件下でMLの堅牢性を評価することは、デプロイが困難なままである。 本稿では,MCIシナリオ下でのMLモデルのロバスト性を評価するために,合成EHRデータを生成するエージェントベースモデリング手法を提案する。 我々は、患者到着、リソース容量、臨床ワークフローを明示的にモデル化する救急部門(ED)のエージェントベースモデル(ABM)を開発し、校正するために、現実世界のEHRデータを使用します。 これらのシステム条件を変更して、妥当なMCIシナリオを反映することにより、EDモデルは、システムの振る舞いの変化を示す実世界のEHRデータの合成バージョンを生成する。 これらの合成データを用いて、滞在期間を予測するためのMLモデルを検証した。 ベースラインシステム条件に対するMCI条件下でのリコールの持続的減少を観察し,MLモデルでは欠如した長期滞在患者数の増加を認めた。 これらの結果から, システム状態の変化が患者の成績, EHRデータ, MLモデルの性能に与える影響が明らかになった。 本研究は,医療システムにおけるMLモデルのより安全かつ効果的な展開を支援するため,現実のEHRデータでは得られないMLモデルの堅牢性を評価するための,AMMベースの合成EHRデータ生成を積極的に,体系的なアプローチとして確立する。

関連論文リスト

• 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)
• LSM-2: Learning from Incomplete Wearable Sensor Data [65.58595667477505]
  本稿では,Adaptive and Inherited Masking (AIM)を用いた第2世代Large Sensor Model (LSM-2)を紹介する。 AIMは明示的な計算を必要とせず、不完全なデータから直接堅牢な表現を学習する。 AIMを用いた LSM-2 は, 分類, 回帰, 生成モデルなど, 多様なタスクにまたがる最高の性能を実現する。
  論文  参考訳（メタデータ） (2025-06-05T17:57:11Z)
• Potential failures of physics-informed machine learning in traffic flow modeling: theoretical and experimental analysis [5.055539099879598]
  本研究では,物理インフォームド・機械学習 (PIML) がマクロな交通流モデリングに失敗する原因について検討する。 障害を、PIMLモデルが純粋にデータ駆動と純粋に物理ベースラインの両方を所定の閾値で下回る場合として定義する。 LWRベースのPIMLが高解像度のデータでもARZベースのPIMLより優れている理由を説明する。
  論文  参考訳（メタデータ） (2025-05-16T17:55:06Z)
• Synthesizing Multimodal Electronic Health Records via Predictive Diffusion Models [69.06149482021071]
  EHRPDと呼ばれる新しいEHRデータ生成モデルを提案する。 時間間隔推定を組み込んだ拡散モデルである。 我々は2つの公開データセットで実験を行い、忠実さ、プライバシー、実用性の観点からEPHPDを評価する。
  論文  参考訳（メタデータ） (2024-06-20T02:20:23Z)
• MCRAGE: Synthetic Healthcare Data for Fairness [3.0089659534785853]
  そこで本稿では,MCRAGE (Generative Modeling) の強化による不均衡データセットの増大によるマイノリティクラス再バランスを提案する。 MCRAGEは、デノイング拡散確率モデル (Denoising Diffusion Probabilistic Model, CDDPM) を訓練し、未表現のクラスから高品質な合成EHRサンプルを生成する。 この合成データを使用して、既存の不均衡なデータセットを増大させ、その結果、すべてのクラスにまたがるよりバランスの取れた分散を実現します。
  論文  参考訳（メタデータ） (2023-10-27T19:02:22Z)
• 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)
• PRISM: Mitigating EHR Data Sparsity via Learning from Missing Feature Calibrated Prototype Patient Representations [7.075420686441701]
  PRISMは、類似した患者のプロトタイプ表現を活用することで、データを間接的にインプットするフレームワークである。 PRISMには、ステータスの欠如を考慮した各機能の信頼性を評価する機能信頼モジュールも含まれている。 MIMIC-III, MIMIC-IV, PhysioNet Challenge 2012, eICU データセットを用いた実験により, PRISM の院内死亡予測と30日間の読解作業における優れた性能が示された。
  論文  参考訳（メタデータ） (2023-09-08T07:01:38Z)
• Synthesize High-dimensional Longitudinal Electronic Health Records via Hierarchical Autoregressive Language Model [40.473866438962034]
  合成電子健康記録は、機械学習(ML)モデリングと統計解析のための実際のEHRの代替として機能することができる。 階層型自己回帰言語mOdel(HALO)を提案する。
  論文  参考訳（メタデータ） (2023-04-04T23:53:34Z)
• BEDS-Bench: Behavior of EHR-models under Distributional Shift--A Benchmark [21.040754460129854]
  OOD設定下でのEHRデータ上でのMLモデルの振る舞いを定量化するベンチマークであるBEDS-Benchをリリースする。 BEDS-Bench の学習アルゴリズムを複数評価した結果,一般に分布シフト下での一般化性能の低下が判明した。
  論文  参考訳（メタデータ） (2021-07-17T05:53:24Z)

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。