論文の概要: CoMedBench: A Multi-Source Benchmark of Synthetic Medical Data Fidelity and Downstream Utility

• arxiv url: http://arxiv.org/abs/2608.12805v2
• Date: Mon, 17 Aug 2026 21:54:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-19 13:45:32.79842
• Title: CoMedBench: A Multi-Source Benchmark of Synthetic Medical Data Fidelity and Downstream Utility
• Title（参考訳）: CoMedBench: 合成医療データ忠実度と下流ユーティリティのマルチソースベンチマーク
• Authors: Akanta Das, Farhad Al-Amin Dipto, Mrinmoy Sarkar Anto, David Rehkopf, Ayin Vala, Tanmoy Sarkar Pias,
• Abstract要約: コメドベンチ(CoMedBench)は、一般的な臨床的妥当性フレームワークの下で、ジェネレータのファミリーを評価する再現可能なベンチマークである。 このベンチマークは、実データおよび合成データ間でトレーニングおよびテストされたモデルを比較することにより、統計的忠実度とタスクユーティリティの両方を評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Access to clinical data is essential for developing reliable healthcare machine learning systems, but direct use of electronic health records is constrained by privacy regulation, institutional review, data-use agreements, and the risk of re-identification. Synthetic data promises a practical alternative: it can preserve useful statistical and clinical structure while reducing exposure of sensitive patient records. Prior studies often evaluate a single generator, one dataset, or a narrow downstream task, making it difficult to know when synthetic data can support model development and when it fails to preserve task-critical signal. We introduce CoMedBench, a reproducible benchmark that evaluates a family of generators under a common clinical-validity framework and one shared training and evaluation engine, spanning static tabular and temporal downstream tasks on established critical-care datasets. In total the benchmark spans 37 dataset-task pairs across two modalities consists of 20 static tabular and 17 temporal ICU time-series-drawn from seven public data sources: three intensive-care databases (MIMIC-III, MIMIC-IV, and eICU) together with the UCI Machine Learning Repository, the CDC BRFSS diabetes cohort (2015), NHANES (1999-2014), and the pycox survival datasets (GBSG and METABRIC). The benchmark evaluates both statistical fidelity and task utility by comparing models trained and tested across real and synthetic data. In these settings, synthetic training data preserves most of the downstream signal: on tabular tasks the reference generator CoMed-CTGAN retains a mean AUROC utility (the synthetic-to-real performance ratio) of 90.6%, rising to 97.3% for the strongest generator, CoMed-TVAE. Temporal ICU tasks are harder and more generator-sensitive: CoMed-CTGAN retains 81.6% (AUROC) and only 64.0% under the imbalance-sensitive AUPRC, whereas CoMed-TVAE still retains ~95% (AUROC).
• Abstract（参考訳）: 臨床データへのアクセスは、信頼できる医療機械学習システムの開発に不可欠であるが、電子健康記録の直接利用は、プライバシー規制、機関のレビュー、データ利用契約、再識別のリスクによって制限されている。 統計学的、臨床的に有用な構造を保存し、機密性のある患者記録の露出を減らすことができる。 以前の研究では、単一のジェネレータ、ひとつのデータセット、あるいは狭い下流タスクを評価し、合成データがモデル開発をサポートする時期や、タスククリティカルな信号の保存に失敗した時期を知ることが困難であった。 CoMedBenchは、一般的な臨床的妥当性フレームワークの下でジェネレータ群の評価を行う再現可能なベンチマークであり、既存のクリティカルケアデータセット上で静的な表表と時間的下流タスクにまたがる1つのトレーニングと評価エンジンである。 ベンチマークは、UCI Machine Learning Repository、CDC BRFSS diabetes cohort (2015), NHANES (1999-2014), and the pycox survival datasets (GBSG and METABRIC)とともに、3つの集中治療データベース(MIMIC-III, MIMIC-IV, eICU)から、20の静的な表形式と17の時間的ICU時系列で構成されている。 このベンチマークは、実データおよび合成データ間でトレーニングおよびテストされたモデルを比較することにより、統計的忠実度とタスクユーティリティの両方を評価する。 これらの設定では、合成トレーニングデータは下流の信号の大半を保存している: 表のタスクでは、参照ジェネレータであるCoMed-CTGANは平均的なAUROCユーティリティ(合成から実のパフォーマンス比)を90.6%保持し、最強のジェネレータであるCoMed-TVAEでは97.3%まで上昇する。 CoMed-CTGANは81.6%(AUROC)、64.0%(AUPRC)であり、CoMed-TVAEは95%(AUROC)である。

関連論文リスト

• Cerebra: A Multidisciplinary AI Board for Multimodal Dementia Characterization and Risk Assessment [56.62016795093786]
  CerebraはインタラクティブなマルチエージェントAIチームで、ERH、臨床ノート、医療画像分析のための特殊エージェントをコーディネートする。 構造化された表現を操作することで、プライバシ保護デプロイメントをサポートし、モダリティが不完全であれば、堅牢である。 Cerebraは、有識者のパフォーマンスを著しく改善し、前向き認知症リスク推定において精度を17.5ポイント向上させた。
  論文  参考訳（メタデータ） (2026-03-23T05:46:45Z)
• Synthetic Survival Data Generation for Heart Failure Prognosis Using Deep Generative Models [0.0]
  心臓不全(HF)の研究は、プライバシー規制と制度上の障壁により、大きな共有可能なデータセットへのアクセスが制限されていることで制限されている。 12,552人のユニークな患者からなる施設データから合成HFデータセットを生成した。 ディープラーニングに基づく合成データ生成は、研究アプリケーションに適した高忠実でプライバシー保護のHFデータセットを生成することができる。
  論文  参考訳（メタデータ） (2025-09-04T14:17:58Z)
• Synthetic Time Series Data Generation for Healthcare Applications: A PCG Case Study [43.28613210217385]
  我々は、PCGデータを生成するために、最先端の3つの生成モデルを採用し、比較する。 その結果,生成したPCGデータは元のデータセットによく似ていることがわかった。 今後の研究では、この手法をデータ拡張パイプラインに組み込んで、異常なPCG信号を心臓の大腿骨で合成する予定である。
  論文  参考訳（メタデータ） (2024-12-17T18:07:40Z)
• Enhancing Glucose Level Prediction of ICU Patients through Hierarchical Modeling of Irregular Time-Series [4.101915841246237]
  本研究は, ICU患者における血糖値の予測を目的としたMulti-source Irregular Time-Series Transformer (MITST) を提案する。 MITSTは様々な臨床データ(検査結果、薬品、バイタルサインを含む)を事前に定義された集計なしで統合する。 MITSTは、AUROCで1.7ポイント(pp)、AUPRCで1.8ppという統計学的に有意な(p 0.001 )改善を達成している。
  論文  参考訳（メタデータ） (2024-11-03T03:03:11Z)
• FedCVD: The First Real-World Federated Learning Benchmark on Cardiovascular Disease Data [52.55123685248105]
  心臓血管疾患(CVD)は、現在世界でも主要な死因であり、早期診断と治療の要点を浮き彫りにしている。 機械学習(ML)手法はCVDの早期診断に役立つが、その性能は高品質なデータへのアクセスに依存している。 本稿では、FedCVDという心臓血管疾患検出のための、世界初の実世界のFLベンチマークを示す。
  論文  参考訳（メタデータ） (2024-10-28T02:24:01Z)
• Evaluating the Fairness of the MIMIC-IV Dataset and a Baseline Algorithm: Application to the ICU Length of Stay Prediction [65.268245109828]
  本稿では、MIMIC-IVデータセットを用いて、滞在時間を予測するXGBoostバイナリ分類モデルにおける公平性とバイアスについて検討する。 この研究は、人口統計属性にわたるデータセットのクラス不均衡を明らかにし、データ前処理と特徴抽出を採用する。 この論文は、偏見を緩和するための公正な機械学習技術と、医療専門家とデータサイエンティストの協力的な努力の必要性について結論付けている。
  論文  参考訳（メタデータ） (2023-12-31T16:01:48Z)
• Multimodal Pretraining of Medical Time Series and Notes [45.89025874396911]
  ディープラーニングモデルは、意味のあるパターンを抽出する際の約束を示すが、広範囲なラベル付きデータが必要である。 本稿では,臨床測定値とノートのアライメントに着目し,自己指導型事前学習を用いた新しいアプローチを提案する。 病院内での死亡予測や表現型化などの下流タスクでは、データのごく一部がラベル付けされた設定において、ベースラインよりも優れています。
  論文  参考訳（メタデータ） (2023-12-11T21:53:40Z)
• The Potential of Wearable Sensors for Assessing Patient Acuity in Intensive Care Unit (ICU) [12.359907390320453]
  エクイティアセスメントは、タイムリーな介入と公平なリソース割り当てを提供するために、重要なケア設定において不可欠である。 従来のAcuityスコアには、ICUの回復や劣化を示す、患者のモビリティレベルなどの詳細な情報が含まれていない。 本研究では,手首の加速度計から収集したモビリティデータとEHRから得られた臨床データとを統合してAIによる明度評価スコアを作成することによる影響について検討した。
  論文  参考訳（メタデータ） (2023-11-03T21:52:05Z)
• Generation of Synthetic Electronic Health Records Using a Federated GAN [1.933681537640272]
  実世界の電子健康記録(EHR)に基づいてGAN(Generative Adversarial Network)を訓練した。 その後、使用制限を回避するために「フェイク」患者のデータセットを作成するために使用された。
  論文  参考訳（メタデータ） (2021-09-06T15:29:15Z)
• Deep learning-based COVID-19 pneumonia classification using chest CT images: model generalizability [54.86482395312936]
  深層学習(DL)分類モデルは、異なる国の3DCTデータセット上で、COVID-19陽性患者を特定するために訓練された。 我々は、データセットと72%の列車、8%の検証、20%のテストデータを組み合わせたDLベースの9つの同一分類モデルを訓練した。 複数のデータセットでトレーニングされ、トレーニングに使用されるデータセットの1つからテストセットで評価されたモデルは、よりよいパフォーマンスを示した。
  論文  参考訳（メタデータ） (2021-02-18T21:14:52Z)

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。