論文の概要: Pitfalls of Administrative Censoring in Survival Models with Time-Indexed Inputs
- arxiv url: http://arxiv.org/abs/2607.10466v1
- Date: Sat, 11 Jul 2026 20:10:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-14 15:40:48.435797
- Title: Pitfalls of Administrative Censoring in Survival Models with Time-Indexed Inputs
- Title（参考訳）: 時差入力を用いた生存モデルにおける行政センサの落とし穴
- Abstract要約: 生存モデルは、部分的に観測されたデータを用いて時間と時間の結果をモデル化することができる。
最近のモデルは、しばしば特定の臨床経験で収集された豊富な入力に依存している。
これにより、結果が一定の研究終了日までにのみ観察される場合、潜在的な障害モードが生成される。
- 参考スコア（独自算出の注目度）: 9.373139684950957
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Survival models can model time-to-event outcomes using partially observed data. They are widely used in clinical prediction, including cancer risk, disease progression, treatment response, and mortality. Recent models often rely on rich inputs collected at a specific clinical encounter, such as medical images, laboratory tests, electronic health record snapshots, or sensor measurements. In large retrospective datasets, these inputs are usually collected over many calendar years. As a result, they may contain clues about when they were acquired through changes in devices, protocols, documentation, patient mix, or clinical practice. This creates a potential failure mode when outcomes are observed only up to a fixed study end date. More recent records necessarily have less potential follow-up than older records. A model that can infer the record date from the input may therefore learn to predict how much follow-up was available rather than the patient's true risk of experiencing the event. We call this failure mode administrative-cutoff leakage. In this paper, we characterize when this leakage can occur, distinguish it from classical informative censoring and genuine temporal changes in risk, and propose practical ways to detect it. In simulations, we show that administrative-cutoff leakage can inflate fixed-horizon AUC and can also affect Harrell's C-index under realistic follow-up patterns. We then demonstrate the same behavior in a real mammography cohort. These results motivate a simple design principle for survival prediction: for an n-year prediction task, the dataset should provide at least n years of potential follow-up after the latest input date. Otherwise, the models may be subject to bias induced by administrative-cutoff leakage.
- Abstract（参考訳）: 生存モデルは、部分的に観測されたデータを用いて時間と時間の結果をモデル化することができる。
がんのリスク、疾患の進行、治療反応、死亡などの臨床予測に広く用いられている。
最近のモデルは、医療画像、実験室のテスト、電子的健康記録スナップショット、センサー測定など、特定の臨床現場で収集された豊富な入力に依存していることが多い。
大規模な振り返りデータセットでは、これらの入力は通常、多くの暦年にわたって収集される。
結果として、デバイス、プロトコル、ドキュメンテーション、患者ミックス、臨床実践の変更によって、いつ取得されたかの手がかりを含む可能性がある。
これにより、結果が一定の研究終了日までにのみ観察される場合、潜在的な障害モードが生成される。
より最近の記録は、必ずしも古い記録よりも後続の可能性が低い。
したがって、入力から記録日を推測できるモデルは、患者がイベントを経験する真のリスクよりも、どれだけフォローアップが利用可能であったかを予測することができる。
この障害モードを管理カットオフリークと呼ぶ。
本稿では,この漏えいの発生を特徴付け,古典的な情報検閲と真の時間的リスク変化とを区別し,それを検出する実用的な方法を提案する。
シミュレーションでは, 管理カットオフリークにより固定水平AUCが増大し, 現実的な追従パターンの下ではハレルのC-インデクスに影響を及ぼす可能性が示唆された。
次に、実際のマンモグラフィーコホートで同じ振る舞いを示す。
これらの結果は、生存予測のための単純な設計原則を動機付けており、n年間の予測タスクでは、データセットは、最新の入力日以降、少なくともn年間の潜在的なフォローアップを提供するべきである。
さもなくば、これらのモデルは管理カットオフリークによって引き起こされるバイアスを受ける可能性がある。
関連論文リスト
- Memorisation bias in medical AI [33.76985328787124]
トレーニング中に同じ患者の匿名化された履歴データを観察した場合, 患者の将来データに対する予測は, 大きく変化する可能性が示唆された。
このバイアスは、さまざまなデータモダリティやモデルアーキテクチャにまたがって存在していることを実証します。
シミュレーションによる予測展開では、記憶バイアスはデータコントリビュータの診断精度に非対称な効果を持つ。
論文 参考訳（メタデータ） (2026-09-15T14:07:01Z) - Chronic Diseases Prediction Using ML [0.0]
最近の死亡率の増加は、主に糖尿病、心臓病、肺がん、脳腫瘍などの慢性疾患によるものである。
各種ソースからのデータセットを利用した多数の疾患の存在を予測するための機械学習モデルを構築した。
論文 参考訳（メタデータ） (2025-02-13T22:55:17Z) - SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
セプシスは米国での院内死亡の主な原因である。
既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。
限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-07-24T04:47:36Z) - CenTime: Event-Conditional Modelling of Censoring in Survival Analysis [49.44664144472712]
CenTimeは、イベントへの時間を直接見積もる、サバイバル分析の新しいアプローチである。
本手法は,非検閲データが少ない場合でも,堅牢なイベント条件検閲機構を特徴とする。
以上の結果から,CenTimeは同等の性能を維持しつつ,死までの時間を予測する上で,最先端のパフォーマンスを提供することがわかった。
論文 参考訳（メタデータ） (2023-09-07T17:07:33Z) - How Does Pruning Impact Long-Tailed Multi-Label Medical Image
Classifiers? [49.35105290167996]
プルーニングは、ディープニューラルネットワークを圧縮し、全体的なパフォーマンスに大きな影響を及ぼすことなく、メモリ使用量と推論時間を短縮する強力なテクニックとして登場した。
この研究は、プルーニングがモデル行動に与える影響を理解するための第一歩である。
論文 参考訳（メタデータ） (2023-08-17T20:40:30Z) - Diagnosis Uncertain Models For Medical Risk Prediction [80.07192791931533]
本研究は, 患者の診断にはアクセスできない, バイタルサイン, 検査値, 既往歴にアクセス可能な患者リスクモデルについて考察する。
このようなすべての原因のリスクモデルが、診断全体にわたって良い一般化を持つが、予測可能な障害モードを持つことが示される。
患者診断の不確実性から生じるリスク予測の不確実性を明示的にモデル化し,この問題に対する対策を提案する。
論文 参考訳（メタデータ） (2023-06-29T23:36:04Z) - Are we certain it's anomalous? [57.729669157989235]
時系列における異常検出は、高度に非線形な時間的相関のため、異常は稀であるため、複雑なタスクである。
本稿では,異常検出(HypAD)におけるハイパボリック不確実性の新しい利用法を提案する。
HypADは自己指導で入力信号を再構築する。
論文 参考訳（メタデータ） (2022-11-16T21:31:39Z) - Deterioration Prediction using Time-Series of Three Vital Signs and
Current Clinical Features Amongst COVID-19 Patients [6.1594622252295474]
今後3～24時間で患者が悪化するかどうかを予測できる予後モデルを構築した。
このモデルは、(a)酸素飽和度、(b)心拍数、(c)温度という、通常の三進的なバイタルサインを処理する。
ニューヨーク・ラングーン・ヘルスで37,006人のCOVID-19患者から収集したデータを用いて、モデルを訓練し、評価した。
論文 参考訳（メタデータ） (2022-10-12T02:53:43Z) - A Machine Learning Model for Predicting, Diagnosing, and Mitigating
Health Disparities in Hospital Readmission [0.0]
本稿では,データ中のバイアスの検出と緩和とモデル予測が可能な機械学習パイプラインを提案する。
提案手法の有効性を,精度と公正度の測定値を用いて評価した。
論文 参考訳（メタデータ） (2022-06-13T16:07:25Z) - EventScore: An Automated Real-time Early Warning Score for Clinical
Events [3.3039612529376625]
臨床劣化を示す各種臨床事象の早期予測のための解釈可能なモデルを構築した。
このモデルは2つのデータセットと4つの臨床イベントで評価される。
私達のモデルは手動で記録された特徴を要求しないで完全に自動化することができます。
論文 参考訳（メタデータ） (2021-02-11T11:55:08Z) - A General Framework for Survival Analysis and Multi-State Modelling [70.31153478610229]
ニューラル常微分方程式を多状態生存モデル推定のためのフレキシブルで一般的な方法として用いる。
また,本モデルでは,サバイバルデータセット上での最先端性能を示すとともに,マルチステート環境での有効性を示す。
論文 参考訳（メタデータ） (2020-06-08T19:24:54Z)
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。