論文の概要: DRIFT: Direct-Recursive Intervention-Conditioned Forecasting of ICU Physiological Trajectories

• arxiv url: http://arxiv.org/abs/2607.25864v1
• Date: Tue, 28 Jul 2026 15:31:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-29 20:50:42.900171
• Title: DRIFT: Direct-Recursive Intervention-Conditioned Forecasting of ICU Physiological Trajectories
• Title（参考訳）: DRIFT: 直接再帰的介入-ICUの生理的軌道の予測
• Abstract要約: DRIFTは、直接モデルが一次予測を生成し、行動条件付きモデルが制約付き補正に寄与するハイブリッドフレームワークである。 DRIFTは平均8時間、24時間、48時間の予測終点を越えて、平均動脈圧(MAP)の平均絶対誤差を0.673%削減する。
• 参考スコア（独自算出の注目度）: 5.522311210914546
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many time-series forecasts depend not only on prior observations but also on actions specified during the forecast period. In intensive care units (ICUs), future vital signs and laboratory values are influenced by treatments such as vasopressors. However, models that predict the full future sequence all at once make little use of these treatments, whereas autoregressive models can accumulate errors. We introduce DRIFT, a hybrid framework in which a direct model produces the primary forecast and a recursive, action-conditioned model contributes constrained corrections. We evaluate DRIFT on 6,046 admissions from MIMIC-IV and 8,345 admissions from eICU-CRD. Averaged across the 8-, 24-, and 48-hour forecast endpoints, DRIFT reduces mean absolute error for mean arterial pressure (MAP) by 0.673% relative to an action-conditioned Temporal Fusion Transformer (TFT-action) on MIMIC-IV and achieves the lowest corresponding error among the compared models on eICU-CRD. Although the overall accuracy improvement is modest, a MIMIC-IV audit restricted to windows in which the supplied treatment sequence was altered showed that DRIFT achieved lower observed-target MAP error than TFT-action at 8 and 24 hours. Treatment-sequence alteration increased DRIFT's MAP error by 0.21-0.26 mmHg more than it increased TFT-action's error, with prediction changes occurring primarily after the supplied paths diverged. In a separate robustness experiment, the MAP advantage persisted under three shared checkpoint-selection rules emphasizing overall endpoint error, MAP error, or both equally.
• Abstract（参考訳）: 多くの時系列予測は、事前の観測だけでなく、予測期間中に指定された行動にも依存する。 集中治療室(ICU)では、将来的なバイタルサインと検査値が血管圧薬などの治療の影響を受けている。 しかしながら、全ての将来のシーケンスを予測するモデルはこれらの処理をほとんど利用しないが、自己回帰モデルはエラーを蓄積することができる。 DRIFTは、直接モデルが一次予測を生成し、再帰的かつ行動条件付きモデルが制約付き補正に寄与するハイブリッドフレームワークである。 今回,MIMIC-IVの6,046点,eICU-CRDの8,345点についてDRIFTを評価した。 DRIFTは平均8時間、24時間、48時間の予測エンドポイントにまたがって、MIMIC-IV上の動作条件付きテンポラルフュージョン変換器(TFT-action)と比較して平均動脈圧(MAP)の平均絶対誤差を0.673%削減し、eICU-CRDで比較したモデルの中で最も低い対応する誤差を達成する。 また,MIMIC-IV監査では,処理順序が変化したウィンドウに制限され,DRIFTは8時間24時間でTFT反応よりも低照準MAP誤差を達成できた。 DRIFTのMAP誤差はTFT-アクションの誤差よりも0.21-0.26 mmHg増加し、供給経路が分岐した後に主に予測が変化した。 別の堅牢性実験では、MAPの優位性は3つの共有チェックポイント選択ルールの下で持続し、エンドポイント全体のエラー、MAPエラー、あるいは両方が等しく強調された。

関連論文リスト

• The Granularity Paradox: How Temporal Disaggregation Inflates In-Sample Fit and Compounds Out-of-Sample Error [0.0]
  時系列予測における「グラニュラリティパラドックス」は, 時間分解の微細化により, サンプル内診断やデータセットサイズが向上する。 このトレードオフを形式化し、13年間の公開調達データセットを使用して、6つの粒度にわたる10のモデルをベンチマークします。
  論文  参考訳（メタデータ） (2026-07-05T11:52:08Z)
• Adaptive Temporal Gating of Longitudinal Magnetic Resonance Imaging for Alzheimer's Prediction [4.549831511476248]
  縦3次元MRIスキャンをモデル化したCNN-TransformerアーキテクチャであるTAF-Netを導入する。 3年間のMCI-AD変換予測のためのアルツハイマー病神経画像イニシアチブコホートの評価
  論文  参考訳（メタデータ） (2026-05-27T12:33:46Z)
• UTOPYA: A Multimodal Deep Learning Framework for Physics-Informed Anomaly Detection and Time-Series Prediction [42.532335022354545]
  バッチプロセスにおける異常検出は、過渡的ダイナミクス、欠陥ラベルの不足、単一モードセンサデータへの依存によって妨げられる。 本研究は, バッチ蒸留における異常検出, 時系列予測, 位相分類を共同で扱うマルチモーダルフレームワークUTOPYAを紹介する。 本研究で導入された物理インフォームド正規化スキームは、時間的滑らかさと熱力学的モノトニクスを強制する。
  論文  参考訳（メタデータ） (2026-05-18T10:28:15Z)
• Hierarchical Flow Decomposition for Turning Movement Prediction at Signalized Intersections [4.885966337065846]
  本研究では,階層型ディープラーニングフレームワークであるHFD-TMを提案する。 旋回運動を初めて予測し、その予測を個々の旋回ストリームに拡張することで、旋回運動を予測する。 テネシー州ナッシュビルの6つの交差点回廊から15分間隔のLiDARデータを6ヵ月間評価し、HFD-TMは1インターバルあたり平均2.49台の絶対誤差を達成している。
  論文  参考訳（メタデータ） (2026-04-10T14:03:29Z)
• Transparent Early ICU Mortality Prediction with Clinical Transformer and Per-Case Modality Attribution [42.85462513661566]
  ICU滞在後48時間から, 生理的時系列測定と非構造的臨床記録とを融合した, 軽量で透明なマルチモーダルアンサンブルを提案する。 ロジスティック回帰モデルは、バイタル用双方向LSTMとノート用微調整された臨床ModernBERT変換器の2つのモード固有モデルからの予測を組み合わせる。 MIMIC-IIIベンチマークでは、遅延融合アンサンブルは、よく校正された予測を維持しながら、最高の単一モデルに対する差別を改善する。
  論文  参考訳（メタデータ） (2025-11-19T20:11:49Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Leveraging Support Vector Regression, Radiomics and Dosiomics for Outcome Prediction in Personalized Ultra-fractionated Stereotactic Adaptive Radiotherapy (PULSAR) [5.497745780154633]
  本研究では,GTV(Grog tumor volume)の変化を予測するためのマルチオミクスベースサポートベクター回帰(SVR)モデルを開発することを目的とする。 脳転移69例の振り返りコホートを解析した。 デルタラジオグラフィー機能は、単一点における特徴に対して予測精度を高める上で重要な役割を担っている。
  論文  参考訳（メタデータ） (2025-09-09T15:57:21Z)
• A Generative Framework for Causal Estimation via Importance-Weighted Diffusion Distillation [55.53426007439564]
  観察データから個別化された治療効果を推定することは因果推論における中心的な課題である。 逆確率重み付け(IPW)は、この問題に対するよく確立された解決策であるが、現代のディープラーニングフレームワークへの統合は依然として限られている。 本稿では,拡散モデルの事前学習と重み付きスコア蒸留を組み合わせた新しい生成フレームワークであるIWDDを提案する。
  論文  参考訳（メタデータ） (2025-05-16T17:00:52Z)
• CRTRE: Causal Rule Generation with Target Trial Emulation Framework [47.2836994469923]
  ターゲットトライアルエミュレーションフレームワーク(CRTRE)を用いた因果ルール生成という新しい手法を提案する。 CRTREは、アソシエーションルールの因果効果を推定するためにランダム化トライアル設計原則を適用している。 次に、病気発症予測などの下流アプリケーションにそのような関連ルールを組み込む。
  論文  参考訳（メタデータ） (2024-11-10T02:40:06Z)
• Automated Precision Localization of Peripherally Inserted Central Catheter Tip through Model-Agnostic Multi-Stage Networks [3.5255361096618523]
  末梢挿入型中心カテーテル(PICC)は,感染率の低い長期血管内アクセスにより,CVCの代表的中心静脈の1つとして広く用いられている。 PICCの致命的な欠点は、先端の誤植の頻度が高く、穿刺、塞栓、心不整脈などの合併症のリスクが高まることである。 最新のディープラーニング(DL)技術を使って、それを自動的かつ正確に検出することで、様々な試みがなされている。 本研究の目的は,既存のモデルに適用可能なシステムを開発し,PICCラインをより正確に復元することである。
  論文  参考訳（メタデータ） (2022-06-14T10:26:47Z)

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。