論文の概要: FRESH: Information-Geometric Calibration of Patient-Level Models to Aggregate Evidence

• arxiv url: http://arxiv.org/abs/2605.16246v1
• Date: Fri, 15 May 2026 17:50:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-18 21:22:26.400056
• Title: FRESH: Information-Geometric Calibration of Patient-Level Models to Aggregate Evidence
• Title（参考訳）: FRESH:証拠収集のための患者レベルモデルの情報幾何学的校正
• Authors: Franklin Fuller, Daniele Bertolini, Samantha Liang, Jason Christopher, Aaron M. Smith,
• Abstract要約: Freshは、患者レベルのデータに基づいてトレーニングされた予測モデルに、人口レベルの要約結果を組み込む方法である。 本手法は,対象人口に対する特定の集計統計値のセットと一致する再校正モデルを用いて患者レベルの予測を行う。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This note introduces FRESH (Fusion of Recent Evidence and Subject Histories), a method for incorporating population-level summary results -- published clinical trials, registry summaries, prior natural-history studies, and peer-reviewed indirect comparisons -- into predictive models trained on patient-level data. This method provides a principled means of combining both patient-level and aggregate-level data types into a unified data-efficient model for clinical decision making. FRESH assumes access to a generative model trained on patient-level data sources (e.g. clinical trial or real-world data). The method produces patient-level predictions from a re-calibrated model that matches a set of specified aggregate statistics for a target population. This can be understood as a patient-level recapitulation of the aggregate source -- with the key property that the recalibration is a minimal perturbation of the original joint distribution in a specific information-geometric sense. The resulting samples can be analyzed directly or combined into a post-training procedure to update the original generative model. This approach enables several applications where rigorously incorporating patient-level data with summary information is valuable, including (i) contextualizing single-arm trial results with respect to recent standard-of-care, (ii) clinical-trial simulations for design and probability-of-technical-success estimation, and (iii) comparative-effectiveness analyses of on-market therapies.
• Abstract（参考訳）: FRESH(Fusion of recent Evidence and Subject Histories)は、患者レベルのデータに基づいてトレーニングされた予測モデルに、人口レベルの要約結果(臨床試験、レジストリの概要、以前の自然史研究、およびピアレビューされた間接比較)を組み込む方法である。 この方法は、患者レベルと集約レベルの両方のデータ型を、臨床意思決定のための統一されたデータ効率モデルに結合する原則化された手段を提供する。 FRESHは、患者レベルのデータソース(例えば臨床試験や実世界のデータ)で訓練された生成モデルへのアクセスを前提としている。 本手法は,対象人口に対する特定の集計統計値のセットと一致する再校正モデルを用いて患者レベルの予測を行う。 これは、アグリゲーションソースの患者レベルの再カプセル化として理解することができる。この再校正は、特定の情報幾何学的意味において、元の関節分布の最小の摂動である、というキー特性を持つ。 得られたサンプルを直接または組み合わせてトレーニング後の手順で分析し、元の生成モデルを更新する。 このアプローチは、患者レベルのデータを要約情報に厳格に組み込むことが価値のあるいくつかのアプリケーションを可能にする。 (i)近年の標準医療に関する単発トライアルの結果を文脈化すること。 (二)設計・技術確率推定のための臨床・臨床シミュレーション、及び 三 オンマーケット療法の比較効果分析

関連論文リスト

• Automating Early Disease Prediction Via Structured and Unstructured Clinical Data [0.20524609401792396]
  提案したパイプラインは、早期予測の3つの主要なステップであるコホート選択、データセット生成、結果ラベリングをサポートするために、放電レポートを使用する。 本手法を心房細動(AF)の進行予測の文脈で評価し, 放電報告情報に富んだデータセットでトレーニングした予測モデルにより, 真の結果との相関性が高くなることを示す。 これらの結果は、構造化されていない臨床テキストの統合を自動化することにより、早期予測研究を効率化し、データ品質を改善し、臨床意思決定のための予測モデルの信頼性を高めることができることを示している。
  論文  参考訳（メタデータ） (2026-03-30T08:36:14Z)
• Cohort-Aware Agents for Individualized Lung Cancer Risk Prediction Using a Retrieval-Augmented Model Selection Framework [4.828586430285072]
  肺がんのリスク予測は、患者集団間の大きな変動と臨床環境のために依然として困難である。 本稿では,各患者に対して最も適切なモデルを動的に選択する,パーソナライズされた肺癌リスク予測エージェントを提案する。
  論文  参考訳（メタデータ） (2025-08-20T02:59:39Z)
• Addressing Data Heterogeneity in Federated Learning of Cox Proportional Hazards Models [8.798959872821962]
  本稿では,フェデレーションサバイバル分析の分野,特にCox Proportional Hazards(CoxPH)モデルについて概説する。 本稿では,合成データセットと実世界のアプリケーション間のモデル精度を向上させるために,特徴ベースのクラスタリングを用いたFLアプローチを提案する。
  論文  参考訳（メタデータ） (2024-07-20T18:34:20Z)
• 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)
• Harmonization with Flow-based Causal Inference [12.739380441313022]
  本稿では, 医療データを調和させる構造因果モデル (SCM) に対して, 反実的推論を行う正規化フローに基づく手法を提案する。 我々は,この手法が最先端のアルゴリズムよりもドメイン間一般化に寄与することを示すために,複数の,大規模な実世界の医療データセットを評価した。
  論文  参考訳（メタデータ） (2021-06-12T19:57:35Z)
• 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)
• Adversarial Sample Enhanced Domain Adaptation: A Case Study on Predictive Modeling with Electronic Health Records [57.75125067744978]
  ドメイン適応を容易にするデータ拡張手法を提案する。 逆生成したサンプルはドメイン適応時に使用される。 その結果,本手法の有効性とタスクの一般性が確認された。
  論文  参考訳（メタデータ） (2021-01-13T03:20:20Z)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)
• Predictive Modeling of ICU Healthcare-Associated Infections from Imbalanced Data. Using Ensembles and a Clustering-Based Undersampling Approach [55.41644538483948]
  本研究は,集中治療室における危険因子の同定と医療関連感染症の予測に焦点をあてる。 感染発生率の低減に向けた意思決定を支援することを目的とする。
  論文  参考訳（メタデータ） (2020-05-07T16:13:12Z)

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。