論文の概要: Interventional Flow Matching: Prospective Dose-Response Forecasting with Velocity-Field Jacobian Regularization

• arxiv url: http://arxiv.org/abs/2606.29386v1
• Date: Sun, 28 Jun 2026 13:24:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:15.902193
• Title: Interventional Flow Matching: Prospective Dose-Response Forecasting with Velocity-Field Jacobian Regularization
• Title（参考訳）: Interventional Flow Matching:Velocity-Field Jacobian regularizationによる前向き線量応答予測
• Abstract要約: Inventional Flow Matching (IFM) は生理学的に制約された予測予測のための連続的な時間生成フレームワークである。 IFMは、患者の歴史と計画された将来のドライバーに流動整合速度場を定めている。 インスリンと炭水化物の両方のドライバーに対する生理学的に正しい反応を常に生成し、高い方向性を維持し、ランキングの整合性を維持する。
• 参考スコア（独自算出の注目度）: 2.5283118050926268
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting a patient's physiological trajectory under a planned treatment sequence is a prospective interventional problem, not standard time-series extrapolation. We study this problem in glucose management, where insulin and carbohydrate records are policy-dependent: future drivers are coupled to patient state, behavior, and clinical decision rules, so observational forecasting accuracy alone does not guarantee correct responses to planned interventions. We introduce Interventional Flow Matching (IFM), a continuous-time generative framework for physiologically constrained prospective forecasting. IFM conditions a flow-matching velocity field on patient history and planned future drivers in a bounded latent glucose space. Rather than embedding strict mechanistic glucose--insulin ODE equations or enforcing causality through rollout-based simulations, IFM uses a solver-free regularization: it penalizes the Jacobian of the instantaneous velocity field with respect to smoothed treatment drivers. This imposes signed, dose-bounded local sensitivities directly on the learned dynamics: insulin lowers glucose, carbohydrates raise it, and both responses remain within plausible ranges. On a simulated UVA/Padova type 1 diabetes cohort, IFM achieves the strongest balance between observed-driver RMSE and interventional response metrics. Across experiments, it consistently produces physiologically correct responses to both insulin and carbohydrate drivers while maintaining high directional, and ranking consistency.
• Abstract（参考訳）: 患者の生理的軌道を計画的治療シーケンスで予測することは、標準的な時系列外挿ではなく、将来的な介入の問題である。 インスリンと炭水化物の記録が政策に依存しているグルコース管理において, 将来のドライバーは患者の状態, 行動, 臨床決定規則に結びついているので, 観察予測精度だけでは, 計画された介入に対する正しい応答を保証できない。 Inventional Flow Matching (IFM) は生理学的に制約された予測予測のための連続的な時間生成フレームワークである。 IFMは、患者の歴史と計画された将来のドライバーに流動整合速度場を定めている。 厳密なグルコース-インスリン ODE 方程式を埋め込んだり、ロールアウトベースのシミュレーションによって因果関係を強制する代わりに、ICM はソルバフリー正規化(英語版)を用いて、スムーズな処理ドライバに対する即時速度場のジャコビアンをペナライズする。 インスリンはグルコースを低下させ、炭水化物は上昇させ、両方の反応は高い範囲に留まる。 模擬UVA/パドバ型1型糖尿病コホートでは、IFMは観察ドライバーRMSEと介入反応測定値のバランスが強い。 実験全体では、インスリンと炭水化物の両方のドライバーに対する生理的に正しい反応を常に生成し、高い方向性を維持し、ランキングの整合性を維持している。

関連論文リスト

• From Prediction to Practice: A Task-Aware Evaluation Framework for Blood Glucose Forecasting [0.1104960878651584]
  本稿では,低血糖早期警戒とインスリン摂取決定支援という,下流の2つの用途を中心に構築された血糖予測のためのタスクアウェア評価フレームワークを提案する。 早期警戒のために, 患者1日あたりの事象レベルのリコールと誤報を用いて, 3つの臨床コホートからの実データを評価する。 実データ予測に強く見えるモデルは、しばしば、介入効果の方向、大きさ、ランキングを予測できず、臨床的に動機づけられたコストで評価した場合、低用量を選択する。
  論文  参考訳（メタデータ） (2026-05-01T13:26:28Z)
• FlatASCEND: Autoregressive Clinical Sequence Generation with Continuous Time Prediction and Association-Based Pharmacological Testing [1.7865154997539017]
  平坦な複合トークンを用いた14.5Mパラメータ自己回帰臨床シーケンスモデルであるFlatASCENDと、ゼロインフレーションされた対数正規時間ヘッドを提案する。 プロンプトシャッフルアブレーションは、患者固有の条件付けが機械的薬理学的効果を増幅することを示している。 生成的証拠は短水平ICUデータにとって最強であり、外来患者の時間的忠実度は弱くなっている。
  論文  参考訳（メタデータ） (2026-04-13T11:43:51Z)
• Integrating Neural Differential Forecasting with Safe Reinforcement Learning for Blood Glucose Regulation [51.12307713554633]
  TSODEは、Thompson RL SmplingとNeural Ordinary Differential Equation forecasterを統合した安全対応のコントローラである。 FDAが承認したUVa/Padovaシミュレータ(adult cohort)では、TSODEは87.9%のタイムインレンジを達成した。
  論文  参考訳（メタデータ） (2025-11-16T02:11:33Z)
• SSM-CGM: Interpretable State-Space Forecasting Model of Continuous Glucose Monitoring for Personalized Diabetes Management [0.6481500397175589]
  連続グルコースモニタリング(CGM)は、糖尿病管理に不可欠な高密度なデータストリームを生成する。 我々は,マンバをベースとしたCGMとウェアラブル活動信号を統合したニューラルステートスペース予測モデルであるSSM-CGMを提案する。
  論文  参考訳（メタデータ） (2025-10-05T22:37:28Z)
• Integrating Biological-Informed Recurrent Neural Networks for Glucose-Insulin Dynamics Modeling [1.2256664621079256]
  本研究では,これらの制約に対処するためのBIRNN(Biological-Informed Recurrent Neural Network)フレームワークを提案する。 このフレームワークは商用のUVA/Padovaシミュレータを用いて検証され、グルコース予測精度および未測定状態の再構成において従来の線形モデルよりも優れている。 その結果, パーソナライズされたグルコース調節のためのBIRNNの可能性と, APシステムにおける今後の適応制御戦略が示された。
  論文  参考訳（メタデータ） (2025-03-24T21:26:12Z)
• Leveraging Cardiovascular Simulations for In-Vivo Prediction of Cardiac Biomarkers [43.17768785084301]
  我々は、新たに構築された心臓シミュレーションの大規模なデータセットに基づいて、無傷神経後部推定器を訓練する。 シミュレーションデータと実世界の測定値との整合性を改善するために,要素モデリング効果を取り入れた。 提案するフレームワークは,実世界のデータに対する予測能力を向上するために,インバイブなデータソースをさらに統合することができる。
  論文  参考訳（メタデータ） (2024-12-23T13:05:17Z)
• Domain Adaptive Diabetic Retinopathy Grading with Model Absence and Flowing Data [45.75724873443564]
  ドメインシフトは、糖尿病網膜症などの臨床応用において重要な課題である。 本稿では,データ中心の観点から適応可能なGUES(Generative Unadversarial Examples)を提案する。
  論文  参考訳（メタデータ） (2024-12-02T07:14:25Z)
• FreDF: Learning to Forecast in the Frequency Domain [54.2091536822376]
  時系列モデリングは、歴史的データと将来のシーケンスの両方における自己相関による固有の課題を提示する。 本稿では,周波数領域の予測学習によりラベル自己相関を緩和する周波数強調直接予測(FreDF)を提案する。
  論文  参考訳（メタデータ） (2024-02-04T08:23:41Z)
• Continuous Forecasting via Neural Eigen Decomposition of Stochastic Dynamics [47.82509795873254]
  本稿では,スパース観測と適応力学を用いた逐次予測のためのニューラル固有SDEアルゴリズムを提案する。 NESDEは、スパース観測による効率的な頻繁な予測を可能にするために、力学モデルに固有分解を適用する。 我々は,MIMIC-IVデータセットにおけるヘパリン投与後の血液凝固の患者適応予測を初めて行った。
  論文  参考訳（メタデータ） (2022-01-31T22:16:50Z)
• DeepRite: Deep Recurrent Inverse TreatmEnt Weighting for Adjusting Time-varying Confounding in Modern Longitudinal Observational Data [68.29870617697532]
  時系列データにおける時間変化の相違に対するDeep Recurrent Inverse TreatmEnt重み付け(DeepRite)を提案する。 DeepRiteは、合成データから基底的真理を復元し、実際のデータから偏りのない処理効果を推定する。
  論文  参考訳（メタデータ） (2020-10-28T15:05:08Z)
• Short Term Blood Glucose Prediction based on Continuous Glucose Monitoring Data [53.01543207478818]
  本研究では,デジタル意思決定支援ツールの入力として連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)データを利用する方法について検討する。 短時間の血液グルコース (STBG) 予測において, リカレントニューラルネットワーク (Recurrent Neural Networks, RNN) をどのように利用できるかを検討する。
  論文  参考訳（メタデータ） (2020-02-06T16:39:44Z)

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。