論文の概要: CRS-Triage: Confidence- and Reliability-Aware Selective Triage under Incomplete Clinical Evidence

• arxiv url: http://arxiv.org/abs/2608.03862v1
• Date: Tue, 04 Aug 2026 16:04:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-05 17:47:10.507927
• Title: CRS-Triage: Confidence- and Reliability-Aware Selective Triage under Incomplete Clinical Evidence
• Title（参考訳）: CRS-Triage : 不完全臨床証拠に基づく信頼性と信頼性を考慮した選択的試行
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 2.5399727721692624
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Emergency triage requires reliable decisions within a short time period. However, the available electronic health record (EHR) data, including structured data and clinical text, are often incomplete, unreliable, and inconsistent. This makes machine learning (ML)-based triage prediction more challenging, as existing ML models typically rely on complete and reliable EHR data to accurately predict patients' acuity levels. To address this, we propose confidence- and reliability-aware selective triage (CRS-Triage) to predict patients' acuity levels with a confidence score. By comparing the confidence score with a predefined threshold, CRS-Triage can selectively determine whether the model should make the decision or defer the case. Specifically, CRS-Triage separately evaluates the reliability of structured data and clinical text and then jointly considers the consistency between the two modalities to estimate the confidence of each prediction. Moreover, to reduce the risk of missing high-acuity patients, namely under-triage, CRS-Triage prefers to assign patients slightly higher acuity levels, namely over-triage, by penalizing under-triage errors. Experiments on the MIMIC-IV-ED dataset show that CRS-Triage achieves strong predictive performance. It also provides a better risk-coverage trade-off and remains reliable when the available EHR data are incomplete, degraded, or inconsistent across modalities.
• Abstract（参考訳）: 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。 しかしながら、構造化されたデータや臨床テキストを含む利用可能な電子健康記録(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。 これにより、機械学習(ML)ベースのトリアージ予測がより困難になる。既存のMLモデルは、患者の明度レベルを正確に予測するために、完全で信頼性の高いEHRデータに依存するのが一般的である。 そこで本研究では,信頼性と信頼性を考慮した選択的トリアージ(CRS-Triage)を提案する。 信頼スコアを予め定義されたしきい値と比較することにより、CRS-Triageはモデルが決定を下すべきか否かを選択的に決定できる。 具体的には、CRS-Triageは、構造化データと臨床テキストの信頼性を別々に評価し、2つのモード間の一貫性を共同で検討し、各予測の信頼性を推定する。 CRS-Triageは、低トライアージ(低トライアージ)の欠失リスクを低減するため、低トライアージエラーをペナルティ化することにより、わずかに高トライアージレベル(過剰トライアージ)の患者を割り当てることを好む。 MIMIC-IV-EDデータセットの実験は、CRS-Triageが強い予測性能を達成することを示している。 また、より優れたリスクカバレッジトレードオフを提供し、利用可能なEHRデータが不完全、劣化、あるいはモダリティ間の不整合である場合、信頼性が保たれる。

関連論文リスト

• SafeImpute: Reliable Clinical Data Imputation via Conformal Selection [35.40404498771435]
  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。
  論文  参考訳（メタデータ） (2026-07-06T20:16:21Z)
• Detecting Clinical Discrepancies in Health Coaching Agents: A Dual-Stream Memory and Reconciliation Architecture [71.46525715889656]
  汎用エージェントメモリシステムは、ユーザの最新のステートメントで古い事実を上書きすることでコヒーレンスを最適化する。 本稿では,患者の物語を構造化された臨床記録から厳密に分離するDual-Stream Memory Architectureを提案する。 675日間のウェルネスコーチングセッションにおいて,26名の患者を対象にこのアーキテクチャを評価した。
  論文  参考訳（メタデータ） (2026-04-29T17:59:28Z)
• Overalignment in Frontier LLMs: An Empirical Study of Sycophantic Behaviour in Healthcare [1.9010852820067994]
  モデル不安定性("Confusability")を考慮してアライメントバイアスを分離する新しい尺度であるAdjusted Sycophancy Scoreを提案する。 以上の結果から, ベンチマーク性能は臨床信頼性の指標ではないことが示唆され, 簡易な推論構造は, 専門家主導の薬効に対して優れた堅牢性をもたらす可能性が示唆された。
  論文  参考訳（メタデータ） (2026-01-26T10:21:34Z)
• 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)
• Stable Prediction of Adverse Events in Medical Time-Series Data [18.92202613147342]
  早期事象予測(EEP)システムは、臨床意思決定を支援するための患者の差し迫ったリスクを継続的に見積もる。 本稿では,マルチモーダル入力EHR,ECG波形,臨床テキストを用いたEEPベンチマークであるCAREBenchを紹介する。 本稿では,患者ごとの短期変動を定量化し,局所リプシッツ定数に基づいて急激な振動をペナリゼーションする安定性指標を提案する。
  論文  参考訳（メタデータ） (2025-10-16T04:16:54Z)
• Uncovering Overconfident Failures in CXR Models via Augmentation-Sensitivity Risk Scoring [1.9837702647603577]
  胸部X線写真(CXR)症例を同定するために,ASRS(Augmentation-sensitive risk score)フレームワークを提案する。 ASRSのスコアは、サンプルを安定四成分に成層化し、非常に敏感なケースではリコールがかなり低い。 ASRSは、選択的な予測と臨床レビューのためのラベルなしの手段を提供し、医療AIの公正性と安全性を改善している。
  論文  参考訳（メタデータ） (2025-10-02T05:15:40Z)
• Adaptable Cardiovascular Disease Risk Prediction from Heterogeneous Data using Large Language Models [70.64969663547703]
  AdaCVDは、英国バイオバンクから50万人以上の参加者を対象に、大規模な言語モデルに基づいて構築された適応可能なCVDリスク予測フレームワークである。 包括的かつ可変的な患者情報を柔軟に取り込み、構造化データと非構造化テキストの両方をシームレスに統合し、最小限の追加データを使用して新規患者の集団に迅速に適応する。
  論文  参考訳（メタデータ） (2025-05-30T14:42:02Z)
• TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic Tree-Based Memory Network [54.332862955411656]
  臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。 近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。 本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
  論文  参考訳（メタデータ） (2023-07-19T12:35:09Z)
• Conservative Prediction via Data-Driven Confidence Minimization [70.93946578046003]
  機械学習の安全性クリティカルな応用においては、モデルが保守的であることが望ましいことが多い。 本研究では,不確実性データセットに対する信頼性を最小化するデータ駆動信頼性最小化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-08T07:05:36Z)
• 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。