論文の概要: Bias-corrected Cox regression with AI-extracted covariates via calibration summary statistics
- arxiv url: http://arxiv.org/abs/2607.25868v1
- Date: Tue, 28 Jul 2026 15:35:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-29 20:50:42.901221
- Title: Bias-corrected Cox regression with AI-extracted covariates via calibration summary statistics
- Title（参考訳）: キャリブレーション要約統計を用いたAI抽出共変量を用いたバイアス補正コックス回帰
- Abstract要約: 我々は、Cox比例ハザードモデルのためのバイアス補正フレームワークを開発する。
単純コックス推定器の偏差は, 先行検定項と2次残差に分解されることを示す。
校正の不確かさと感度診断を取り入れたバイアス調整された信頼区間を導出する。
- 参考スコア（独自算出の注目度）: 0.7783842564949857
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large-scale observational studies increasingly rely on AI pipelines to extract structured variables from unstructured clinical records. A common workflow separates the data vendor, who validates extraction accuracy with a gold-standard sample, from the downstream researcher, who receives only the extracted dataset and summary accuracy statistics. We develop a bias-correction framework for the Cox proportional hazards model when covariates are subject to AI extraction error. Within a unified multivariate calibration framework, we show that the naive Cox estimator's bias decomposes into a leading-order calibration term and a second-order residual that vanishes as extraction accuracy improves. The leading-order term yields a corrected estimator that operates as a post-hoc matrix multiplication on the output of any standard Cox software. We further derive bias-adjusted confidence intervals that incorporate calibration uncertainty and a sensitivity diagnostic for assessing whether the neglected residual could materially affect inference. Synthetic data experiments with cross-dependent extraction errors and controlled nonlinear calibration violations confirm that the correction substantially reduces bias and achieves near-nominal coverage even under mild violations of the linear calibration assumption. The framework yields a concrete reporting specification: a short list of summary statistics that data vendors should provide alongside any AI-extracted covariate dataset used in survival analysis.
- Abstract（参考訳）: 大規模観測研究は、構造化されていない臨床記録から構造化変数を抽出するAIパイプラインにますます依存している。
共通ワークフローは、抽出されたデータセットと要約精度の統計のみを受け取る下流研究者から、ゴールドスタンダードサンプルで抽出精度を検証するデータベンダーを分離する。
我々は,共変量にAI抽出誤差がある場合,コックス比例ハザードモデルに対するバイアス補正フレームワークを開発する。
統一多変量キャリブレーション・フレームワークにおいて、単純コックス推定器の偏差は、抽出精度が向上するにつれて消失する2次キャリブレーション項と2次残差に分解されることを示す。
先行項は、任意の標準 Cox ソフトウェアの出力に対するポストホック行列の乗算として動作する補正された推定器を生成する。
さらに、校正の不確実性を含むバイアス調整された信頼区間と、無視された残差が推論に実質的に影響を及ぼすかどうかを評価する感度診断を導出する。
相互依存抽出誤差と制御非線形校正誤差による合成データ実験により、線形校正仮定の軽度な違反の下でも、補正がバイアスを大幅に低減し、ほぼ最小のカバレッジを達成することを確認した。
データベンダがサバイバル分析に使用するAI抽出共変量データセットと一緒に提供するべき要約統計の短いリスト。
関連論文リスト
- Improving RCT-Based Treatment Effect Estimation Under Covariate Mismatch via Calibrated Alignment [0.0]
本稿では,各ソースの特徴を共通表現空間にマッピングする埋め込み学習により,インプットを回避したCALMを提案する。
OSの結果モデルはRTT埋め込み空間に転送され、試行データを用いて校正され、ランダム化による因果同定が保存される。
論文 参考訳（メタデータ） (2026-03-19T17:43:12Z) - 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) - Robust Conformal Outlier Detection under Contaminated Reference Data [20.864605211132663]
コンフォーマル予測は、機械学習予測を校正するための柔軟なフレームワークである。
異常値検出では、この校正はタイプIエラー率を制御するためにラベル付き不整値データの参照セットに依存する。
本稿では, 汚染がコンフォメーション法の有効性に与える影響を解析する。
論文 参考訳（メタデータ） (2025-02-07T10:23:25Z) - Provably Reliable Conformal Prediction Sets in the Presence of Data Poisoning [53.42244686183879]
コンフォーマル予測は、モデルに依存しない、分布のない不確実性定量化を提供する。
しかし、敵が訓練データと校正データを操作した場合の毒殺攻撃では、共形予測は信頼性が低い。
信頼性予測セット (RPS): 汚染下での信頼性保証を証明可能な共形予測セットを構築するための最初の効率的な方法を提案する。
論文 参考訳（メタデータ） (2024-10-13T15:37:11Z) - 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) - Geometry-Aware Instrumental Variable Regression [56.16884466478886]
本稿では,データ導出情報によるデータ多様体の幾何を考慮した移動型IV推定器を提案する。
本手法のプラグイン・アンド・プレイ実装は,標準設定で関連する推定器と同等に動作する。
論文 参考訳（メタデータ） (2024-05-19T17:49:33Z) - Calibration by Distribution Matching: Trainable Kernel Calibration
Metrics [56.629245030893685]
カーネルベースのキャリブレーションメトリクスを導入し、分類と回帰の両方で一般的なキャリブレーションの形式を統一・一般化する。
これらの指標は、異なるサンプル推定を許容しており、キャリブレーションの目的を経験的リスク最小化に組み込むのが容易である。
決定タスクにキャリブレーションメトリクスを調整し、正確な損失推定を行ない、後悔しない決定を行うための直感的なメカニズムを提供する。
論文 参考訳（メタデータ） (2023-10-31T06:19:40Z) - Stratification of uncertainties recalibrated by isotonic regression and
its impact on calibration error statistics [0.0]
等調回帰による予測の不確かさの補正は、ビンベースの校正誤差統計に問題をもたらす可能性がある。
このことがキャリブレーション診断にどのように影響するかを例に示します。
論文 参考訳（メタデータ） (2023-06-08T13:24:39Z) - The Decaying Missing-at-Random Framework: Model Doubly Robust Causal Inference with Partially Labeled Data [8.916614661563893]
因果推論を両立させるために,MARフレームワークの欠落と関連するアプローチを導入する。
これはラベル付け機構における選択バイアスとラベル付きグループとラベルなしグループの極端な不均衡に同時に対処する。
因果関係の堅牢性を確保するため,平均治療効果に対するバイアス低減SS推定器を提案する。
論文 参考訳（メタデータ） (2023-05-22T07:37:12Z) - Robust Variable Selection and Estimation Via Adaptive Elastic Net
S-Estimators for Linear Regression [0.0]
同時変数選択と係数推定のための新しい頑健な正規化推定器を提案する。
適応PENSEは、残基のスケールに関する事前の知識のないオラクル特性を持つ。
シミュレーションおよび実データ集合に関する数値的研究は、広範囲な設定において優れた有限サンプル性能を示す。
論文 参考訳（メタデータ） (2021-07-07T16:04:08Z) - Calibration of Neural Networks using Splines [51.42640515410253]
キャリブレーション誤差の測定は、2つの経験的分布を比較します。
古典的コルモゴロフ・スミルノフ統計テスト(KS)にインスパイアされたビンニングフリーキャリブレーション尺度を導入する。
提案手法は,KS誤差に対する既存の手法と,他の一般的なキャリブレーション手法とを一貫して比較する。
論文 参考訳（メタデータ） (2020-06-23T07:18:05Z)
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。