論文の概要: Explainable AI for Data-Driven Design of High-Dimensional Predictive Studies

• arxiv url: http://arxiv.org/abs/2605.22243v1
• Date: Thu, 21 May 2026 09:50:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 16:35:42.195534
• Title: Explainable AI for Data-Driven Design of High-Dimensional Predictive Studies
• Title（参考訳）: 高次元予測研究におけるデータ駆動設計のための説明可能なAI
• Authors: Junyu Yan, Damian Machlanski, Kurt Butler, Panagiotis Dimitrakopoulos, Ewen M Harrison, Bruce Guthrie, Sotirios A Tsaftaris,
• Abstract要約: 我々は,既存の解釈可能な統計モデルの予測性能を向上させるために,探索型AIレコメンダを開発し,評価する。 このフレームワークは、柔軟なAIモデリングを使用して、複雑なデータパターンをキャプチャし、説明可能なAIテクニックを使用して、パターンを3つの推奨型に変換する。 提案されたExploratory AI Recommenderは、高次元透明予測モデルの開発プロセスとパフォーマンスを改善するために、説明可能なAIとデータ駆動型研究設計の可能性を示す。
• 参考スコア（独自算出の注目度）: 8.027434475703073
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predictive modelling is important for health data analysis and data-driven clinical decision-making. However, predictive studies are challenging to design optimally by hand when tens or even hundreds of features require selection, transformation, or interaction modelling. While complex machine learning models offer high performance, their "black-box" nature limits the clinical trust, transparency, and interpretability required for decision-making. We developed and evaluated an Exploratory AI Recommender that provides data-driven recommendations to improve predictive performance of existing interpretable statistical models. The developed framework uses flexible AI modelling to capture complex data patterns and explainable AI techniques to translate the patterns into three recommendation types: feature exclusion, non-linear terms, and feature interactions. We evaluated the framework by comparing predictive performance of a baseline (i.e., no interactions or non-linear terms) Cox Proportional Hazards (CPH) model against an augmented CPH incorporating recommendations suggested by our method. The primary analysis predicts the time to the first occurrence of a fall or related injury in 245,614 patients. Our method recommended excluding 23 features, including non-linear terms for two features, and including 221 suggested feature interactions. The C-index improved from 0.805 (95% CI 0.798-0.812) to 0.815 (95% CI 0.809-0.822), and so did calibration (intercept: -0.006 to 0.003; slope: 1.063 to 0.950). All recommendations were supported by existing literature. The method also proved effective on two additional public datasets, demonstrating wider applicability. The proposed Exploratory AI Recommender demonstrates the potential of explainable AI and data-driven study design to improve the process of developing, and the performance of high-dimensional transparent predictive models.
• Abstract（参考訳）: 予測モデリングは、健康データ分析とデータ駆動型臨床意思決定に重要である。 しかし、数十から数百の機能が選択、変換、相互作用モデリングを必要とする場合、予測的研究は手動で最適に設計することが困難である。 複雑な機械学習モデルは高いパフォーマンスを提供するが、その「ブラックボックス」の性質は、意思決定に必要な臨床信頼、透明性、解釈可能性を制限する。 我々は、既存の解釈可能な統計モデルの予測性能を改善するために、データ駆動型レコメンデーションを提供するExploratory AI Recommenderを開発し、評価した。 開発されたフレームワークでは、柔軟なAIモデリングを使用して、複雑なデータパターンをキャプチャし、説明可能なAIテクニックを使用して、パターンを3つの推奨型に翻訳する。 提案手法により提案した提案を取り入れたCPHモデルに対して,ベースラインの予測性能(相互作用や非線形項など)を比較検討した。 一次分析では、245,614人の転倒または関連外傷の発生時期を予測する。 提案手法は,2つの特徴に対する非線形項を含む23の特徴を除外し,221の特徴相互作用を含む23の特徴を除外することを推奨した。 Cインデックスは0.805 (95% CI 0.798-0.812) から0.815 (95% CI 0.809-0.822) に改善され、キャリブレーションも行われた(インターセプション:0.006 - 0.003;スロープ:1.063 - 0.950)。 すべての勧告は既存の文献によって支持された。 この方法は、さらに2つのパブリックデータセットに対して有効であることが証明され、より広範な適用性が確認された。 提案されたExploratory AI Recommenderは、高次元透明予測モデルの開発プロセスとパフォーマンスを改善するために、説明可能なAIとデータ駆動型研究設計の可能性を示す。

関連論文リスト

• Cerebra: A Multidisciplinary AI Board for Multimodal Dementia Characterization and Risk Assessment [56.62016795093786]
  CerebraはインタラクティブなマルチエージェントAIチームで、ERH、臨床ノート、医療画像分析のための特殊エージェントをコーディネートする。 構造化された表現を操作することで、プライバシ保護デプロイメントをサポートし、モダリティが不完全であれば、堅牢である。 Cerebraは、有識者のパフォーマンスを著しく改善し、前向き認知症リスク推定において精度を17.5ポイント向上させた。
  論文  参考訳（メタデータ） (2026-03-23T05:46:45Z)
• Latent Neural-ODE for Model-Informed Precision Dosing: Overcoming Structural Assumptions in Pharmacokinetics [3.0991186209192794]
  タクロリムスAUC予測のための遅延正規微分方程式(Latent ODE)に基づく新しいデータ駆動方式を提案する。 このディープラーニングアプローチは、疎い臨床データから個別化されたダイナミクスを直接学習する。 潜在ODEモデルは、標準的な仮定から逸脱した基盤となる生物学的メカニズムであっても、優れた堅牢性を示し、高い精度を維持した。
  論文  参考訳（メタデータ） (2026-02-03T07:30:48Z)
• Interpretable Heart Disease Prediction via a Weighted Ensemble Model: A Large-Scale Study with SHAP and Surrogate Decision Trees [1.7616014313664448]
  心血管疾患(CVD)は、早期リスク評価のための信頼性と解釈可能な予測モデルを必要とする、重要な世界的な健康上の問題である。 本研究では,木に基づく手法(LightGBM, XGBoost)と畳み込みニューラルネットワーク(CNN)を組み合わせてCVDリスクを予測する戦略的重み付けアンサンブルモデルを提案する。 提案モデルでは,多様な学習アーキテクチャをブレンドすることで,堅牢な予測性能と臨床透過性を組み合わせ,SHAPとサロゲート決定木による説明可能性を実現する。
  論文  参考訳（メタデータ） (2025-11-03T10:24:09Z)
• A Hybrid Enumeration Framework for Optimal Counterfactual Generation in Post-Acute COVID-19 Heart Failure [1.9794615806637272]
  本稿では,個別化リスク推定と介入分析のための非現実的推論フレームワークを提案する。 このフレームワークは、厳密な列挙と最適化に基づく手法(NICE(Nearest Instance Counterfactual Explanations)やMOC(Multi-Objective Counterfactuals)アルゴリズムなど)を組み合わせる。
  論文  参考訳（メタデータ） (2025-10-21T17:35:12Z)
• Counterfactual Probabilistic Diffusion with Expert Models [44.96279296893773]
  本稿では,不完全な専門家モデルからのガイダンスを取り入れた時系列拡散に基づくフレームワークを提案する。 我々の方法であるODE-Diffは、機械的およびデータ駆動的なアプローチをブリッジし、より信頼性が高く解釈可能な因果推論を可能にする。
  論文  参考訳（メタデータ） (2025-08-18T20:44:32Z)
• Enhanced Prediction of Ventilator-Associated Pneumonia in Patients with Traumatic Brain Injury Using Advanced Machine Learning Techniques [0.0]
  外傷性脳損傷(TBI)患者の呼吸器関連肺炎(VAP)は重大な死亡リスクをもたらす。 TBI患者のVAPのタイムリーな検出と予後は、患者の予後を改善し、医療資源の負担を軽減するために重要である。 我々はMIMIC-IIIデータベースを用いて6つの機械学習モデルを実装した。
  論文  参考訳（メタデータ） (2024-08-02T09:44:18Z)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• 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)
• HyperImpute: Generalized Iterative Imputation with Automatic Model Selection [77.86861638371926]
  カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。 既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
  論文  参考訳（メタデータ） (2022-06-15T19:10:35Z)

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。