論文の概要: A Longitudinal Attribute-Conditioned Neural Network for Modeling Health-State Transition Probabilities in Temporally Irregular Data: The LANTERN Framework

• arxiv url: http://arxiv.org/abs/2606.13880v1
• Date: Thu, 11 Jun 2026 20:15:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-15 16:00:42.635073
• Title: A Longitudinal Attribute-Conditioned Neural Network for Modeling Health-State Transition Probabilities in Temporally Irregular Data: The LANTERN Framework
• Title（参考訳）: 時間的不規則データにおける状態遷移確率のモデル化のための縦型属性決定ニューラルネットワーク:LANTERNフレームワーク
• Authors: Bright Kwaku Manu, Beckett Sterner, Petar Jevtic,
• Abstract要約: 本稿では、不規則な経時的健康データに対する多状態遷移確率のよく校正された推定器を開発する。 健康状態、軽度障害、重度障害、死亡の4つの状態がある。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Accurate estimation of long-term care transition probabilities is central to disability insurance pricing, reserving, and solvency assessment. Classical actuarial multi-state models commonly rely on Markov, semi-Markov, or proportional-hazard specifications, which provide a direct connection to cohort projection but may be restrictive for irregular longitudinal health data with nonlinear aging patterns and heterogeneous covariate histories. This paper develops a well-calibrated estimator of multi-state transition probabilities for irregular longitudinal health data. The model learns from individual health history, incorporates the time elapsed between observations, and conditions transition probabilities on demographic and socioeconomic attributes. It produces a valid probability distribution over the next observed health state, with four possible states: healthy, mild disability, severe disability, and death. Individual probabilities are aggregated by age group and origin state to form transition matrices compatible with actuarial cohort projection. Using longitudinal data from the Health and Retirement Study, we compare the proposed estimator with logistic regression, gradient-boosted trees, a recurrent neural network, and a last-state persistence benchmark. The evaluation considers probabilistic accuracy, endpoint discrimination and calibration for severe disability and death, risk concentration, and transition matrix error after aggregation. The proposed estimator improves severe disability discrimination relative to logistic regression and gradient-boosted tree benchmarks, maintains strong calibration, and yields the lowest transition matrix error among the evaluated models in the held-out test analysis. Results show that a structured machine learning estimator can support long-term care transition modeling when judged by calibration and projection fidelity, beyond discrimination.
• Abstract（参考訳）: 介護移行確率の正確な推定は、障害保険の価格、保留、解決性評価の中心である。 古典的構造的多状態モデルは通常マルコフ、半マルコフ、比例ハザード仕様に依存しており、コホート射影に直接接続するが、非線型老化パターンと異質な共変履歴を持つ不規則な経時的健康データには制限がある。 本稿では、不規則な経時的健康データに対する多状態遷移確率のよく校正された推定器を開発する。 このモデルは、個々の健康史から学び、観察時間と、人口統計学的および社会経済的属性に関する状況遷移確率を組み込む。 健康状態、軽度障害、重度障害、死亡の4つの状態がある。 個々の確率は年齢群と起源状態によって集約され、アクチュアリコホート投影と相反する遷移行列を形成する。 健康退職研究(Health and Retirement Study)の経時的データを用いて、提案した推定値と、ロジスティック回帰、勾配ブースト木、リカレントニューラルネットワーク、最終状態持続性ベンチマークを比較した。 本評価では, 重度障害と死亡, リスク集中, 累積後の遷移行列誤差に対する確率的精度, 終端判別, 校正について検討した。 提案した推定器は,ロジスティック回帰および勾配ブースト木ベンチマークに対する深刻な障害判別を改善し,強い校正を維持し,保持試験解析において評価されたモデルの中で最も低い遷移行列誤差を生じる。 その結果, 階層型機械学習推定器は, キャリブレーションや投射忠実度によって判断された場合の介護遷移モデリングを支援することができることがわかった。

関連論文リスト

• Bayesian meta-learning for modeling Alzheimer's disease progression [2.7214777196418645]
  パーソナライズされた治療には、アルツハイマー病の患者が軽度または重度疾患の進行を経験するかどうかを予測することが不可欠である。 ベイジアン・メタ・ラーナーは,複数の個人を対象に訓練されているが,各個人の歴史データに対する予測的疾患スコアの分布を調整している。 本モデルは,長期的疾患進行予測における性能を著しく向上させつつ,シングルタスクモデルと決定論的メタラーナーの両方と性能の競争性を実現する。
  論文  参考訳（メタデータ） (2026-06-01T13:24:56Z)
• Scalable Counterfactual Risk Estimation for Rare Events in Longitudinal Data [20.985792090921755]
  本稿では,既存の因果効果推定装置に適用可能な長手生存データに対する,原則的サブサンプリングと再重み付け戦略を提案する。 提案手法は, 整合性を保ちながら計算負荷を大幅に低減し, 希少な出力設定における推定安定性を向上する。
  論文  参考訳（メタデータ） (2026-06-01T01:41:16Z)
• Risk and cross validation in ridge regression with correlated samples [72.59731158970894]
  我々は,データポイントが任意の相関関係を持つ場合,リッジ回帰のイン・オブ・サンプルリスクのトレーニング例を提供する。 この設定では、一般化されたクロスバリデーション推定器(GCV)がサンプル外リスクを正確に予測できないことを示す。 さらに、テストポイントがトレーニングセットと非自明な相関を持つ場合、時系列予測でしばしば発生する設定にまで分析を拡張します。
  論文  参考訳（メタデータ） (2024-08-08T17:27:29Z)
• Modeling High-Dimensional Data with Unknown Cut Points: A Fusion Penalized Logistic Threshold Regression [2.520538806201793]
  従来のロジスティック回帰モデルでは、リンク関数は線形で連続であると見なされることが多い。 我々は、全ての連続した特徴が順序レベルに離散化され、さらにバイナリ応答が決定されるしきい値モデルを考える。 糖尿病のような慢性疾患の早期発見と予知の問題において,ラッソモデルが好適であることが判明した。
  論文  参考訳（メタデータ） (2022-02-17T04:16:40Z)
• Causal Bias Quantification for Continuous Treatment [5.6968018940343885]
  本研究では, 連続処理環境における限界因果効果と因果バイアスの新たな評価法を開発した。 条件付き確率分布に対する期待として表現できることを示す。 期待項の全ての項は、高度に非線形なモデルに対しても自動微分によって計算できる。
  論文  参考訳（メタデータ） (2021-06-17T18:44:48Z)
• Evaluating probabilistic classifiers: Reliability diagrams and score decompositions revisited [68.8204255655161]
  確率的に統計的に一貫性があり、最適に結合し、再現可能な信頼性図を自動生成するCORP手法を導入する。 コーパスは非パラメトリックアイソトニック回帰に基づいており、プール・アジャセント・ヴァイオレータ(PAV)アルゴリズムによって実装されている。
  論文  参考訳（メタデータ） (2020-08-07T08:22:26Z)
• Uncertainty-Aware Variational-Recurrent Imputation Network for Clinical Time Series [5.485209961772906]
  本稿では,命令と予測ネットワークを統一する新しい変分再帰型計算ネットワークを提案する。 具体的には,変数間の分布に基づく計算モデルと,時間的関係を利用する再帰的計算ネットワークを利用する。
  論文  参考訳（メタデータ） (2020-03-02T05:12:38Z)

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。