論文の概要: Learning Under Treatment-Induced Label Indeterminacy with Expert Annotations of Counterfactual Outcomes: A Case Study in Neurological Prognostication

• arxiv url: http://arxiv.org/abs/2608.12477v1
• Date: Wed, 12 Aug 2026 18:01:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-14 18:29:38.299646
• Title: Learning Under Treatment-Induced Label Indeterminacy with Expert Annotations of Counterfactual Outcomes: A Case Study in Neurological Prognostication
• Title（参考訳）: 対人的アウトカムのエキスパートアノテーションによる治療誘発ラベル不確定性の学習 : 神経学的予後のケーススタディ
• Abstract要約: 臨床予測モデルはしばしば、関心の結果がすべての患者に対してきれいに観察されたかのように展開される。 我々は,2,497人のコホートを用いた心停止後の神経学的予後を検討した。 本研究では,特定のケースと不確実なケースを明示的に分割した予測モデルの評価フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 4.192844731345034
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Clinical prediction models are often developed as if the outcome of interest were cleanly observed for every patient. This assumption fails when treatment decisions make the clinically relevant outcome permanently unobservable. As a case study of this problem, we consider post-cardiac-arrest neurological prognostication using a cohort of 2,497 patients, including 1,429 patients whose outcomes were rendered indeterminate by treatment decisions. These patients with indeterminate outcomes were reviewed by independent clinical experts, who provided their guesses of counterfactual outcomes about what would have happened to the patients. We refer to these patients as uncertain cases. We also have patients for whom we observe their clinically relevant outcomes; we refer to these patients as certain cases. We propose a framework for evaluating prediction models that explicitly splits the evaluation between certain and uncertain cases. Here, we cannot easily evaluate both types of cases in a uniform manner as the available target labels differ. We then propose a simple prediction model that uses target labels from both certain and uncertain cases in a manner that allows us to trade off between them. Across the proposed neural model and a collection of tabular baselines, models with similar certain-case AUROC can nevertheless differ substantially in both certain-case Brier score and their probability estimates for uncertain cases. Improving alignment with target labels of uncertain cases for our proposed model generally comes at the cost of worse accuracy on certain cases, highlighting an explicit tradeoff that standard evaluation conceals. These results show that when treatment decisions determine whether clinically meaningful outcomes remain observable, conventional evaluation metrics can miss important failure modes in the very patients for whom prognostic support matters most.
• Abstract（参考訳）: 臨床予測モデルはしばしば、関心の結果がすべての患者に対してきれいに観察されたかのように展開される。 この仮定は、治療決定が臨床的に関連性のある結果を永久に観察不能にするときに失敗する。 本症例では, 治療決定により予後が不確定となった1,429例を含む2,497例のコホートを用いて, 心停止後の神経学的予後を考察した。 不確定な結果となったこれらの患者は、独立した臨床専門家によってレビューされ、患者に何が起こったかについての反実的な結果の推測が提供された。 これらの患者を不確実な症例とみなす。 また,臨床的に有意な結果が得られた患者もおり,これらの患者を特定の症例として紹介する。 本研究では,特定のケースと不確実なケースを明示的に分割した予測モデルの評価フレームワークを提案する。 ここでは、利用可能なターゲットラベルが異なるため、両ケースを一様に評価することは困難である。 次に、特定のケースと不確実なケースの両方からターゲットラベルを使用する単純な予測モデルを提案し、それら間のトレードオフを可能にする。 提案したニューラルモデルと表のベースラインの集合全体において、類似した特定のケースAUROCを持つモデルは、しかしながら、確実なケースに対する特定のケースBrierスコアとそれらの確率推定の両方で大きく異なる。 提案したモデルに対する不確実なケースのターゲットラベルとの整合性の向上は、一般的に、特定のケースに対してより正確な精度を犠牲にし、標準評価が隠蔽する明確なトレードオフを浮き彫りにする。 これらの結果から, 臨床的に有意な結果が観察可能かどうかを治療決定が判断した場合, 従来の評価基準では, 予後支援が最も重要である患者において, 重要な障害モードを欠く可能性が示唆された。

関連論文リスト

• The Framework That Survives Bad Models: Human-AI Collaboration For Clinical Trials [2.6377299508948746]
  AIをサポートリーダ(AI-SR)として使用することは、悪いモデルであっても、さまざまなモデルタイプにまたがるすべての基準を満たすため、臨床試験において最も適したアプローチである。 本手法は、信頼性の高い疾患推定を一貫して提供し、臨床治験効果の推定と結論を維持し、異なる集団に適用した場合にこれらの利点を保持する。
  論文  参考訳（メタデータ） (2025-10-08T01:40:41Z)
• On Arbitrary Predictions from Equally Valid Models [49.56463611078044]
  モデル多重性(英: Model multiplicity)とは、同じ患者に対して矛盾する予測を認める複数の機械学習モデルを指す。 たとえ小さなアンサンブルであっても、実際は予測的多重性を緩和・緩和できることを示す。
  論文  参考訳（メタデータ） (2025-07-25T16:15:59Z)
• Perils of Label Indeterminacy: A Case Study on Prediction of Neurological Recovery After Cardiac Arrest [10.081997902005236]
  本稿では,ラベルの不確定性の概念を導入し,AIを用いた意思決定において重要な意味を導出する。 本研究は,心停止後のコマトース患者の回復の予測に焦点をあてた医療場面における実証的研究である。 本研究は, ラベル不確定性は, 既知ラベルの患者に対して, 同様に機能するが, ラベルが不明な患者に対する予測において, 大きく異なるモデルであることが示唆された。
  論文  参考訳（メタデータ） (2025-04-05T18:07:36Z)
• Domain constraints improve risk prediction when outcome data is missing [1.6840408099522377]
  機械学習モデルにより, 検査対象者および検査対象者双方のリスクを正確に推定できることが示唆された。 本研究は,癌リスク予測のケーススタディに適用し,そのモデルが癌診断を予測していることを示す。
  論文  参考訳（メタデータ） (2023-12-06T19:49:06Z)
• Improving Image-Based Precision Medicine with Uncertainty-Aware Causal Models [3.5770353345663053]
  ベイジアンディープラーニング(英語版)を用いて、いくつかの治療における現実的および対実的な結果に対する後部分布を推定する。 本モデルを用いて,多発性硬化症患者のMR脳画像の多施設データセットを用いて,今後新たなT2病変数を予測し,評価する。
  論文  参考訳（メタデータ） (2023-05-05T20:08:40Z)
• Benchmarking Heterogeneous Treatment Effect Models through the Lens of Interpretability [82.29775890542967]
  治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。 ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。 我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
  論文  参考訳（メタデータ） (2022-06-16T17:59:05Z)
• What Do You See in this Patient? Behavioral Testing of Clinical NLP Models [69.09570726777817]
  本稿では,入力の変化に関する臨床結果モデルの振る舞いを評価する拡張可能なテストフレームワークを提案する。 私たちは、同じデータを微調整しても、モデル行動は劇的に変化し、最高のパフォーマンスのモデルが常に最も医学的に可能なパターンを学習していないことを示しています。
  論文  参考訳（メタデータ） (2021-11-30T15:52:04Z)
• 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)
• Increasing the efficiency of randomized trial estimates via linear adjustment for a prognostic score [59.75318183140857]
  ランダム化実験による因果効果の推定は臨床研究の中心である。 歴史的借用法のほとんどは、厳格なタイプiエラー率制御を犠牲にして分散の削減を達成する。
  論文  参考訳（メタデータ） (2020-12-17T21:10:10Z)
• Performance metrics for intervention-triggering prediction models do not reflect an expected reduction in outcomes from using the model [71.9860741092209]
  臨床研究者はしばしばリスク予測モデルの中から選択し評価する。 振り返りデータから算出される標準メトリクスは、特定の仮定の下でのみモデルユーティリティに関係します。 予測が時間を通して繰り返し配信される場合、標準メトリクスとユーティリティの関係はさらに複雑になる。
  論文  参考訳（メタデータ） (2020-06-02T16:26:49Z)
• Uncertainty estimation for classification and risk prediction on medical tabular data [0.0]
  本研究は,医療データの分類とリスク予測のための不確実性推定の理解を深めるものである。 医療などのデータ共有分野において、モデルの予測の不確実性を測定する能力は、意思決定支援ツールの改善につながる可能性がある。
  論文  参考訳（メタデータ） (2020-04-13T08:46:41Z)

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。