論文の概要: Translation of Black-Box Clinical Prediction Models into Standalone Transparent Nomograms: Temporal External Validation in Heart Transplantation

• arxiv url: http://arxiv.org/abs/2609.07610v1
• Date: Mon, 07 Sep 2026 15:17:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.45416
• Title: Translation of Black-Box Clinical Prediction Models into Standalone Transparent Nomograms: Temporal External Validation in Heart Transplantation
• Title（参考訳）: ブラックボックス臨床予測モデルの単クローン透過ノモグラムへの変換 : 心移植における経時的外的検証
• Abstract要約: PRiSMは、どの変数が重要かだけでなく、ソースモデルから各効果と相互作用の形状を取り、結果の選択と重み付けを行います。 我々は50,356人の心臓移植受給者を対象にテストを行った。
• 参考スコア（独自算出の注目度）: 0.791553652441325
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We convert black-box clinical prediction models for tabular data into standalone nomograms that can be audited term by term. PRiSM (Partial Responses in Structured Models) takes the shape of each effect and interaction from the source model, not merely which variables mattered, and lets the outcome select and weight them. We tested this in 50,356 heart transplant recipients, with validation in a later era than training. Nomograms from all 5 source models - a public clinical risk score, logistic regression, neural networks, random forests and extreme gradient boosting - met a prespecified noninferiority criterion for discrimination before any further simplification, and generally preserved calibration and clinical net benefit. Those from the 3 machine-learning models showed no detectable difference in discrimination from de novo generalized additive and explainable boosting models, exceeded neural additive models, and carried fewer terms than the explainable boosting model. PRiSM is released as an open-source Python package.
• Abstract（参考訳）: グラフデータに対するブラックボックス臨床予測モデルを,期間毎に監査可能なスタンドアロンのノモグラムに変換する。 PRiSM (Partial Responses in Structured Models) は、どの変数が重要かだけでなく、ソースモデルからそれぞれの効果と相互作用を形取り、結果を選択して重み付けする。 我々は50,356人の心臓移植受給者を対象にテストを行った。 5つのソースモデル(パブリックな臨床リスクスコア、ロジスティック回帰、ニューラルネットワーク、ランダムな森林、極端な勾配上昇など)のノモグラムは、さらなる単純化前に識別のための事前定義された非偽善基準を満たしており、一般的には校正と臨床純利益が保存されている。 3種類の機械学習モデルでは、デ・ノボの一般化した加法モデルと説明可能な加法モデルとの識別に違いは見られず、神経加法モデルを超え、説明可能な加法モデルよりも用語が少なかった。 PRiSMはオープンソースのPythonパッケージとしてリリースされた。

関連論文リスト

• Multimodality Stacking with Blockwise missing values and application to the PIONeeR biomarkers study for prediction of resistance to immunotherapy [0.0]
  我々は,Multimodality Stacking with Blockwise missing Value (MSB)を紹介した。 MSBは、クロスバリデーション・スタックング・メタ・ラーナーを介して予測を集約する前に、モダリティ固有の特徴を独立にモデル化する。 MSBは肺がん患者の無再発生存を予測するためにPIONeeRで検証された。
  論文  参考訳（メタデータ） (2026-05-24T12:48:38Z)
• Interpretable Clinical Classification with Kolgomorov-Arnold Networks [70.72819760172744]
  Kolmogorov-Arnold Networks (KAN) は、透明で象徴的な表現を通じて固有の解釈能力を提供する。 Kansは、組み込みの患者レベルの洞察、直感的な可視化、最寄りの患者の検索をサポートする。 これらの結果は、カンを、臨床医が理解し、監査し、行動できる信頼できるAIへの有望なステップと位置づけている。
  論文  参考訳（メタデータ） (2025-09-20T17:21:58Z)
• Clinical semantics for lung cancer prediction [1.6744500686720596]
  既存の臨床予測モデルは、しばしば臨床概念間の意味的関係を無視した特徴を用いて患者データを表現している。 本研究では,SNOMED医療用語階層を低次元双曲空間にマッピングすることで,ドメイン固有の意味情報を統合する。
  論文  参考訳（メタデータ） (2025-08-20T11:29:47Z)
• Range, not Independence, Drives Modularity in Biologically Inspired Representations [52.48094670415497]
  我々は、生物学的にインスピレーションを受けたネットワークが、ソース変数(ソース)の表現をモジュール化する理論を開発する。 我々は、最適な線形オートエンコーダのニューロンがモジュラー化するかどうかを決定するソースのサンプルに対して、必要かつ十分な条件を導出する。 我々の理論はどんなデータセットにも当てはまり、以前の研究で研究された統計的な独立性よりもはるかに長い。
  論文  参考訳（メタデータ） (2024-10-08T17:41:37Z)
• Exploring Beyond Logits: Hierarchical Dynamic Labeling Based on Embeddings for Semi-Supervised Classification [49.09505771145326]
  モデル予測に依存しない階層型動的ラベル付け(HDL)アルゴリズムを提案し,画像埋め込みを用いてサンプルラベルを生成する。 本手法は,半教師付き学習における擬似ラベル生成のパラダイムを変える可能性がある。
  論文  参考訳（メタデータ） (2024-04-26T06:00:27Z)
• Improving Zero-Shot Detection of Low Prevalence Chest Pathologies using Domain Pre-trained Language Models [0.9049664874474734]
  低頻度病理診断のためのドメイン固有事前訓練によるゼロショット分類モデルの性能評価を行った。 従来のCLIP-BERTの重みは、一般的に見られる病態のモデル性能を低下させるが、事前学習したテキストタワーは、低頻度の疾患に対して非常に優れた性能を示す。
  論文  参考訳（メタデータ） (2023-06-13T06:26:54Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• Posterior Collapse and Latent Variable Non-identifiability [54.842098835445]
  柔軟性を犠牲にすることなく識別性を強制する深層生成モデルである,潜時同定可能な変分オートエンコーダのクラスを提案する。 合成および実データ全体にわたって、潜在識別可能な変分オートエンコーダは、後方崩壊を緩和し、データの有意義な表現を提供する既存の方法より優れている。
  論文  参考訳（メタデータ） (2023-01-02T06:16:56Z)
• Statistical quantification of confounding bias in predictive modelling [0.0]
  未確立モデルと完全構築モデルのnull仮説を探索する部分的および完全共創テストを提案する。 このテストは、非正規および非線形依存の予測であっても、I型エラーと高い統計的パワーに対して厳格な制御を提供する。
  論文  参考訳（メタデータ） (2021-11-01T10:35:24Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• Statistical inference of the inter-sample Dice distribution for discriminative CNN brain lesion segmentation models [0.0]
  識別畳み込みニューラルネットワーク(CNN)は多くの脳病変セグメンテーションタスクでよく機能している。 識別的CNNのセグメンテーションサンプリングは、訓練されたモデルの堅牢性を評価するために使用される。 厳格な信頼に基づく決定ルールが提案され、特定の患者に対してCNNモデルを拒絶するか受け入れるかが決定される。
  論文  参考訳（メタデータ） (2020-12-04T18:18:24Z)

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。