論文の概要: Expert-Guided g-computation with Large Language Models for Estimating Causal Effects on Timings: Applications to Hospital Quality Improvement

• arxiv url: http://arxiv.org/abs/2608.10339v1
• Date: Tue, 11 Aug 2026 00:42:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-12 19:14:45.855046
• Title: Expert-Guided g-computation with Large Language Models for Estimating Causal Effects on Timings: Applications to Hospital Quality Improvement
• Title（参考訳）: 時間に対する因果効果推定のための大規模言語モデルを用いたエキスパートガイド型g-computation:病院品質改善への応用
• Abstract要約: この研究は、最も標準的な病院の指標の1つ、平均滞在時間(LOS)とその因果推定(平均保存時間)に焦点を当てている。 両手法の相補的強みを組み合わせた専門家誘導型g-計算(卵子計算)を提案する。
• 参考スコア（独自算出の注目度）: 5.885799895696013
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Hospital quality improvement (QI) programs routinely face multiple candidate interventions to optimize hospital flow, but existing methods struggle to estimate and rank the causal effects of such interventions. This work focuses on one of the most standard hospital metrics, the average length of stay (LOS), and its causal estimand, the average time saved. To characterize this causal effect, qualitative approaches rely on expert judgment to map patient trajectories, making them susceptible to cognitive biases; quantitative approaches rely on data-driven models, which fail when interventions are hypothetical with no historical data or have complex causal mechanisms that require clinical reasoning rather than data alone. We propose expert-guided g-computation, or egg-computation, which combines the complementary strengths of both approaches by connecting the Gantt charts commonly used to map patient trajectories with the causal DAG literature. We introduce a causal model over Gantt charts and establish identification using a variant of g-computation that seeks expert input only for components unidentifiable from data. To make egg-computation practical, we develop an LLM-assisted pipeline that reliably scales up expert reasoning. In simulations, egg-computation outperforms conventional causal inference methods when patients have diverse causal structures and intervention mechanisms. In a study of eleven candidate QI interventions at an urban safety-net hospital, the LLM pipeline generated graphs and time-saving estimates highly concordant with those of human experts. Beyond healthcare, egg-computation is a broadly applicable framework for estimating the average time saved for candidate interventions whose causal mechanisms can be represented using Gantt charts.
• Abstract（参考訳）: 病院の質改善(QI)プログラムは、病院の流れを最適化するための複数の候補的介入に直面しているが、既存の方法ではそのような介入の因果効果を推定しランク付けするのに苦労している。 この研究は、最も標準的な病院の指標の1つ、平均滞在時間(LOS)、およびその因果推定(平均貯蓄時間)に焦点を当てている。 この因果的効果を特徴づけるために、定性的アプローチは、患者の軌跡をマッピングする専門家の判断に頼り、認知バイアスに影響を受けやすい;定量的アプローチはデータ駆動モデルに依存している。 本稿では,患者軌跡を因果DAG文献にマッピングするためによく用いられるGanttチャートを接続することにより,両アプローチの相補的強度を組み合わせたg-computation(卵子計算)を提案する。 本稿では、Ganttチャート上の因果モデルを導入し、データから特定できないコンポーネントに対してのみ専門的な入力を求めるg-computationの変種を用いて識別を確立する。 卵子計算を実用化するために,専門家の推論を確実にスケールアップするLLM支援パイプラインを開発した。 シミュレーションでは、卵子計算は、多様な因果構造と介入機構を持つ患者において、従来の因果推論方法より優れている。 都市安全ネット病院における11件のQI介入に関する調査において、LSMパイプラインは、人間の専門家と高度に一致したグラフと時間節約の推定値を生成した。 医療以外では、卵子計算はガントチャートを用いて因果関係を表現できる候補介入に要する平均時間を推定するための広く適用可能なフレームワークである。

関連論文リスト

• MAGIC: Multi-task Gaussian process for joint imputation and classification in healthcare time series [10.669429742428639]
  医療アプリケーションにおける患者の診断と管理を改善する重要なツールとして時系列分析が登場している。 従来のアプローチでは、計算の2段階のプロセスを経てこれらの問題に対処し、予測を行う。 本稿では,クラスインフォームド不足値計算とラベル予測を同時に行う新しい統一フレームワークMAGICを提案する。
  論文  参考訳（メタデータ） (2025-09-23T21:02:39Z)
• Deconstructing Intraocular Pressure: A Non-invasive Multi-Stage Probabilistic Inverse Framework [0.0]
  緑内障は眼圧上昇(IOP)による可逆性失明の主因である 非侵襲的に測定不能な変数をスパースなルーチンデータから推定するフレームワークを開発する。 本フレームワークは, 直接物理機器に匹敵する精度で, 最先端のトノグラフィーと良好な一致を実現している。
  論文  参考訳（メタデータ） (2025-09-17T16:50:23Z)
• Can Large Language Models Help Experimental Design for Causal Discovery? [94.66802142727883]
  Large Language Model Guided Intervention Targeting (LeGIT) は、LLMを効果的に組み込んだ堅牢なフレームワークであり、因果発見のための介入のための既存の数値的アプローチを強化する。 LeGITは、既存の方法よりも大幅な改善と堅牢性を示し、人間を超越している。
  論文  参考訳（メタデータ） (2025-03-03T03:43:05Z)
• Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
  そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。 また,死亡率と臓器不全の関連性について有意な知見が得られた。
  論文  参考訳（メタデータ） (2024-07-28T02:42:36Z)
• How Deep is your Guess? A Fresh Perspective on Deep Learning for Medical Time-Series Imputation [6.547981908229007]
  アーキテクチャとフレームワークのバイアスがモデルのパフォーマンスにどのように影響するかを示します。 実験では、プリプロセッシングと実装の選択に基づいて、最大20%の性能変化を示す。 我々は,現在の深層計算法と医療要件の相違点を同定する。
  論文  参考訳（メタデータ） (2024-07-11T12:33:28Z)
• Clairvoyance: A Pipeline Toolkit for Medical Time Series [95.22483029602921]
  時系列学習は、データ駆動の*クリニカルな意思決定支援のパンとバターである* Clairvoyanceは、ソフトウェアツールキットとして機能する、統合されたエンドツーエンドのオートMLフレンドリなパイプラインを提案する。 Clairvoyanceは、臨床時系列MLのための包括的で自動化可能なパイプラインの生存可能性を示す最初のものである。
  論文  参考訳（メタデータ） (2023-10-28T12:08:03Z)
• MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
  本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。 トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。 ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
  論文  参考訳（メタデータ） (2023-10-04T01:36:30Z)
• Contrastive Learning-based Imputation-Prediction Networks for In-hospital Mortality Risk Modeling using EHRs [9.578930989075035]
  本稿では, EHRデータを用いた病院内死亡リスク予測のための, 対照的な学習ベース予測ネットワークを提案する。 本研究は, グラフ解析に基づく患者層形成モデルを用いて, 似通った患者をグループ化する手法を提案する。 2つの実世界のEHRデータセットの実験により、我々のアプローチは、計算タスクと予測タスクの両方において最先端のアプローチよりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-08-19T03:24:34Z)
• Tree-Guided Rare Feature Selection and Logic Aggregation with Electronic Health Records Data [7.422597776308963]
  希少な二項特徴を持つ大規模回帰のための木誘導的特徴選択と論理集約手法を提案する。 EHRデータを用いた自殺リスクスタディでは、我々のアプローチは、以前のメンタルヘルス診断を選択して集約することができる。
  論文  参考訳（メタデータ） (2022-06-18T03:52:43Z)
• SANSformers: Self-Supervised Forecasting in Electronic Health Records with Attention-Free Models [48.07469930813923]
  本研究は,医療施設への患者訪問数を予測することにより,医療サービスの需要を予測することを目的とする。 SNSformerは、特定の帰納バイアスを設計し、EHRデータの特異な特徴を考慮に入れた、注意のない逐次モデルである。 本研究は, 各種患者集団を対象とした医療利用予測の修正における, 注意力のないモデルと自己指導型事前訓練の有望な可能性について考察した。
  論文  参考訳（メタデータ） (2021-08-31T08:23:56Z)
• Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
  臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。 退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。 複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
  論文  参考訳（メタデータ） (2021-02-08T10:26:44Z)
• BiteNet: Bidirectional Temporal Encoder Network to Predict Medical Outcomes [53.163089893876645]
  本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。 エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。 実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
  論文  参考訳（メタデータ） (2020-09-24T00:42:36Z)

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。