論文の概要: SafeImpute: Reliable Clinical Data Imputation via Conformal Selection
- arxiv url: http://arxiv.org/abs/2607.05613v1
- Date: Mon, 06 Jul 2026 20:16:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-08 21:24:51.316978
- Title: SafeImpute: Reliable Clinical Data Imputation via Conformal Selection
- Title（参考訳）: SafeImpute: コンフォーマル選択による信頼性の高い臨床データ計算
- Abstract要約: 臨床医療は重要な検査指標に頼っていることが多いが、実際の患者訪問は少なく、検査は不規則に発注される。
本研究は, 信頼性のある治療効果を選択的に解放しつつ, 正確な治療効果を生み出すことを目的として, 信頼性の高い治療効果について検討する。
本稿では,不規則かつスパースな臨床記録のための信頼性のある計算手法であるSafeImputeを提案する。
- 参考スコア（独自算出の注目度）: 35.40404498771435
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Clinical care often relies on key laboratory indicators, yet real-world patient visits are sparse and tests are ordered irregularly, leading to pervasive missingness. While many imputation methods improve average accuracy, they provide limited guidance on which imputed values are reliable enough for high-stakes downstream use. In this work, we study reliable clinical imputation, aiming to produce accurate imputations while selectively releasing the reliable results, with statistical control over clinically unacceptable errors. To achieve this goal, we propose SafeImpute, a reliable imputation framework for irregular and sparse clinical longitudinal records. SafeImpute constructs an event graph that captures both intra-patient temporal trajectories and inter-patient clinical similarity, and learns imputations with a two-relation GNN and adaptive fusion, regularized by an auxiliary masked reconstruction objective. For reliability guarantees, SafeImpute converts a proxy risk score into conformal p-values and applies the Benjamini--Hochberg procedure to control the false discovery rate (FDR) of unacceptable errors among released imputations at a user-specified tolerance. Experiments on our Mayo Clinic data, the public MIMIC-III and MIMIC-IV datasets show that SafeImpute achieves strong imputation accuracy while providing reliable error control, outperforming diverse baselines in both standard imputation evaluation and FDR-controlled selective-release evaluation.
- Abstract（参考訳）: 臨床医療は重要な検査指標に頼っていることが多いが、実際の患者訪問は不十分であり、検査は不規則に発注され、広範に欠如する。
多くの計算手法は平均精度を向上するが、高いダウンストリーム使用に十分な信頼度を持つインプット値の限定的なガイダンスを提供する。
本研究は, 信頼性のある臨床計算法について検討し, 信頼性のある結果を選択的にリリースし, 臨床的に許容できない誤りを統計的に制御することを目的としている。
この目的を達成するために,不規則かつ疎度な臨床記録のための信頼性の高い計算フレームワークであるSafeImputeを提案する。
SafeImputeは、患者の時間的軌跡と患者間の臨床類似性の両方をキャプチャーするイベントグラフを構築し、二重相関GNNと適応核融合(adaptive fusion)で計算を学習し、補助マスクによる再建目的によって正規化する。
信頼性を保証するため、SafeImputeは、プロキシリスクスコアを共形p値に変換し、Benjamini-Hochberg手順を適用して、ユーザが指定した許容度で解放された命令のうち、許容できない誤りの偽発見率(FDR)を制御する。
マヨクリニックデータ、MIMIC-III、MIMIC-IVデータセットを用いて、SafeImputeは信頼性の高いエラー制御を提供し、標準計算評価とFDR制御選択リリース評価の両方において多様なベースラインを上回りながら、強い計算精度を達成することを示す。
関連論文リスト
- CRS-Triage: Confidence- and Reliability-Aware Selective Triage under Incomplete Clinical Evidence [2.5399727721692624]
緊急トリアージには、短時間で信頼できる判断が必要である。
構造化データや臨床テキストを含むEHRデータは、しばしば不完全であり、信頼できない、一貫性がない。
患者の体力レベルを予測するために,CRSトリアージ(CRS-Triage)を提案する。
論文 参考訳（メタデータ） (2026-08-04T16:04:15Z) - Beyond Scalar Scores: Exploring LLM-based Metrics for Clinical Significance Evaluation in Radiology Reports [49.5225801722164]
既存のメトリクスは、医学的に根拠のないスカラーにレポートの品質を低下させることによって、この要件を曖昧にしている。
テストベッドとしてReEvalMedベンチマークを用いて,この境界について検討し,計量レベルの臨床的意義を評価する。
論文 参考訳（メタデータ） (2026-06-17T08:10:30Z) - RISED: A Pre-Deployment Safety Evaluation Framework for Clinical AI Decision-Support Systems [0.0]
本稿では,信頼性,指数性,感度,等価性,展開性に関する5次元事前デプロイ評価を提案する。
RISEDはオープンソースのPythonパッケージとしてリリースされ、既存の臨床AIレポート標準の量的検証を提供する。
論文 参考訳（メタデータ） (2026-05-13T02:17:13Z) - Towards Trustworthy Depression Estimation via Disentangled Evidential Learning [50.22167852149165]
EviDepはうつ病の重症度を共同で定量化する明らかな学習フレームワークである。
EviDepは、堅牢な証拠合成を保証するために厳密な情報整合性を強制する。
最先端の予測精度と優れた不確実性校正を実現し、信頼できる臨床スクリーニングのための堅牢なフェールセーフメカニズムを提供する。
論文 参考訳（メタデータ） (2026-04-17T13:27:11Z) - Guideline-Grounded Evidence Accumulation for High-Stakes Agent Verification [60.18369393468405]
既存の検証器は通常、ドメイン知識の欠如と限られた校正のために性能が劣る。
GLEANは専門家によって計算されたプロトコルをトラジェクトリインフォームされ、よく校正された正当性信号にコンパイルする。
我々は,MIMIC-IVデータセットから得られた3つの疾患の薬物的臨床診断でGLEANを実証的に検証した。
論文 参考訳（メタデータ） (2026-03-03T09:36:43Z) - Calibrated Bayesian Deep Learning for Explainable Decision Support Systems Based on Medical Imaging [6.826979426009301]
モデルが予測精度と相関する方法で不確実性を定量化し、臨床医がさらなるレビューのために信頼できないアウトプットを特定できることが不可欠である。
本稿では,ベイズ深層学習に基づく一般化可能な確率的最適化フレームワークを提案する。
特に、信頼性・不確実性境界損失(CUB-Loss)が新しく導入され、高い精度の誤差と低い精度の正確な予測に罰則が課せられる。
提案手法は, 肺炎の自動スクリーニング, 糖尿病性網膜症検出, 皮膚病変の同定という, 3つの異なる医用画像処理課題に対して検証された。
論文 参考訳（メタデータ） (2026-02-12T14:03:41Z) - Conformal Lesion Segmentation for 3D Medical Images [82.92159832699583]
本稿では,データ駆動しきい値の校正をコンフォーマル化することで,テスト時間FNRが目標許容値以下であることを保証する,リスク制約付きフレームワークを提案する。
5つのバックボーンモデルにまたがる6つの3D-LSデータセット上でのCLSの統計的健全性と予測性能を検証し,臨床実践におけるリスク認識セグメンテーションの展開に関する実用的な知見を得た。
論文 参考訳（メタデータ） (2025-10-19T08:21:00Z) - A Fully Automatic Framework for Intracranial Pressure Grading: Integrating Keyframe Identification, ONSD Measurement and Clinical Data [3.6652537579778106]
頭蓋内圧(ICP)上昇は脳機能に深刻な脅威をもたらし、時間的介入の監視を必要とする。
OnSD測定と臨床データを統合したICPグレーティングのための完全自動2段階フレームワークを提案する。
評価精度は0.845 pm 0.071$, 独立試験精度0.786であり, 従来のしきい値法よりも優れていた。
論文 参考訳（メタデータ） (2025-09-11T11:37:48Z) - Towards Trustworthy Vital Sign Forecasting: Leveraging Uncertainty for Prediction Intervals [32.233133404873016]
本稿では,不確実性評価(Restruction Uncertainty Estimate, RUE)からPIを導出する2つの手法を提案する。
これらの手法を、高頻度および低頻度の健康信号を表わし、分・時間レベルのサンプリングを施した2つの大規模公共データセット上で評価した。
論文 参考訳（メタデータ） (2025-09-01T10:03:26Z) - COIN: Uncertainty-Guarding Selective Question Answering for Foundation Models with Provable Risk Guarantees [51.5976496056012]
COINは、統計的に有効な閾値を校正し、質問毎に1つの生成された回答をフィルタリングする不確実性保護選択フレームワークである。
COINはキャリブレーションセット上で経験的誤差率を推定し、信頼区間法を適用して真誤差率に高い確率上界を確立する。
リスク管理におけるCOINの堅牢性,許容回答を維持するための強いテストタイムパワー,キャリブレーションデータによる予測効率を実証する。
論文 参考訳（メタデータ） (2025-06-25T07:04:49Z) - Towards Reliable Medical Image Segmentation by Modeling Evidential Calibrated Uncertainty [57.023423137202485]
医用画像のセグメンテーションの信頼性に関する懸念が臨床医の間で続いている。
本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。
主観的論理理論を活用することで、医用画像分割の確率と不確実性を明示的にモデル化する。
論文 参考訳（メタデータ） (2023-01-01T05:02:46Z)
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。