論文の概要: Learning Interpretable Point-Based Clinical Risk Scores via Direct Optimization

• arxiv url: http://arxiv.org/abs/2605.19113v1
• Date: Mon, 18 May 2026 20:58:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-20 15:03:08.986406
• Title: Learning Interpretable Point-Based Clinical Risk Scores via Direct Optimization
• Title（参考訳）: 直接最適化による解釈可能なポイントベース臨床リスクスコアの学習
• Authors: Ying Cui, Albert M Li, Vivek Charu, Yeon-Mi Hwang, Tina Hernandez-Boussard, Lu Tian,
• Abstract要約: 我々は,明示的かつ合理的な最適性目標の下で,加法的スコアリングを直接学習する新しい機械学習アルゴリズムを開発した。 提案手法を電子健康記録(EHR)コーホートに応用し,整数重み付き共生スコアを構築し,退院後死亡リスクを測定する。
• 参考スコア（独自算出の注目度）: 16.98127677447133
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Many clinical risk scores are deployed as additive rules with nonnegative integer points assigned to relevant binary predictive features. These integer weights not only make the score easier to use in practice but also promote sparsity in the resulting prediction model. Such risk scores are often derived by first fitting a regression model and then rounding the estimated coefficients to the nearest integer after appropriate scaling. This approach is computationally fast but does not guarantee optimality of the resulting score. Alternatively, one may search over all possible integer weights to directly optimize a value function by posing the problem as an integer programming task. However, the associated computational burden can be substantial, especially when the value function is nonconcave or even discontinuous. In this paper, we develop new machine learning algorithms that employ a flexible greedy optimization strategy to learn such additive scoring directly under explicit and sensible optimality objectives. We apply the proposed method to a large electronic health record (EHR) cohort in Epic Cosmos to construct an integer-weighted comorbidity score for measuring the risk of post-discharge mortality. We also conduct a simulation study to examine the finite-sample operating characteristics.
• Abstract（参考訳）: 多くの臨床リスクスコアは、関連するバイナリ予測特徴に割り当てられた非負の整数点を持つ加算規則として展開される。 これらの整数重みは、実際にはスコアをより使いやすくするだけでなく、結果の予測モデルにおけるスパーシティを促進する。 このようなリスクスコアは、まず回帰モデルを適用し、次に適切なスケーリングの後、推定された係数を最も近い整数に丸めることによって導き出されることが多い。 このアプローチは計算が速いが、結果のスコアの最適性は保証されていない。 あるいは、可能な整数重み付けをすべて探索して、整数プログラミングタスクとして問題に代えて値関数を直接最適化することもできる。 しかし、特に値関数が不連続あるいは不連続である場合、関連する計算負担は相当に大きい。 本稿では、フレキシブルグリーディ最適化戦略を用いて、明示的かつ合理的な最適性目標に基づいて、このような付加的スコアリングを直接学習する機械学習アルゴリズムを開発する。 提案手法をEpic Cosmosの電子健康記録(EHR)コホートに応用し,整数重み付き共生スコアを構築し,退院後死亡リスクを測定する。 また,有限サンプル動作特性のシミュレーション実験を行った。

関連論文リスト

• Gradient Boosted Risk Scores [0.45835414225547183]
  リスクスコアは、機械学習モデルの解釈可能で実行可能なクラスである。 本稿では,コンパクトで予測可能なリスクスコアを構築するための,シンプルで効果的なアプローチを提案する。 提案手法は,回帰に基づく代替よりもはるかにコンパクトなスコアを出力しながら,競争力のある予測性能を実現する。
  論文  参考訳（メタデータ） (2026-05-04T13:44:23Z)
• Goal-Oriented Influence-Maximizing Data Acquisition for Learning and Optimization [28.53710231018475]
  逆曲率による不確実性認識を保ちながら、明示的な後部推論を回避する能動的取得アルゴリズムを提案する。 GOIMDAは、ユーザが指定したゴール関数に対する期待する影響を最大化し、入力を選択する。 一般化線形モデルでは,GOIMDA はゴールアライメントと予測バイアスを考慮した補正項までの予測エントロピー最小化を近似する。
  論文  参考訳（メタデータ） (2026-02-23T07:57:11Z)
• Revisiting Randomization in Greedy Model Search [16.15551706774035]
  特徴サブサンプリングによってランダム化される欲求前方選択推定器のアンサンブルを提案し,解析する。 計算効率を大幅に向上させる動的プログラミングに基づく新しい実装を設計する。 ランダム化アンサンブルが縮小と類似しているという一般的な信念とは対照的に、トレーニングエラーと自由度を同時に低減できることが示される。
  論文  参考訳（メタデータ） (2025-06-18T17:13:53Z)
• Accelerated zero-order SGD under high-order smoothness and overparameterized regime [79.85163929026146]
  凸最適化問題を解くための新しい勾配のないアルゴリズムを提案する。 このような問題は医学、物理学、機械学習で発生する。 両種類の雑音下で提案アルゴリズムの収束保証を行う。
  論文  参考訳（メタデータ） (2024-11-21T10:26:17Z)
• Semiparametric conformal prediction [79.6147286161434]
  ベクトル値の非整合性スコアの結合相関構造を考慮した共形予測セットを構築する。 スコアの累積分布関数(CDF)を柔軟に推定する。 提案手法は,現実の回帰問題に対して,所望のカバレッジと競争効率をもたらす。
  論文  参考訳（メタデータ） (2024-11-04T14:29:02Z)
• Equation Discovery with Bayesian Spike-and-Slab Priors and Efficient Kernels [57.46832672991433]
  ケルネル学習とBayesian Spike-and-Slab pres (KBASS)に基づく新しい方程式探索法を提案する。 カーネルレグレッションを用いてターゲット関数を推定する。これはフレキシブルで表現力があり、データ空間やノイズに対してより堅牢である。 我々は,効率的な後部推論と関数推定のための予測伝搬予測最大化アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-10-09T03:55:09Z)
• Efficient and Differentiable Conformal Prediction with General Function Classes [96.74055810115456]
  本稿では,複数の学習可能なパラメータに対する共形予測の一般化を提案する。 本研究は, クラス内において, ほぼ有効な人口被覆率, ほぼ最適効率を実現していることを示す。 実験の結果,提案アルゴリズムは有効な予測セットを学習し,効率を著しく向上できることがわかった。
  論文  参考訳（メタデータ） (2022-02-22T18:37:23Z)

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。