論文の概要: Information Set Emulation: Causal Certificates for AI Derived EHR Features

• arxiv url: http://arxiv.org/abs/2609.17777v1
• Date: Tue, 15 Sep 2026 19:39:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.515913
• Title: Information Set Emulation: Causal Certificates for AI Derived EHR Features
• Title（参考訳）: 情報セットエミュレーション:AI派生のEHR機能のための因果証明書
• Abstract要約: AIモデルは、電子的健康記録から臨床的に意味のある特徴を回復することができるが、予測的有用性は因果推論に対する許容性を確立しない。 AI型リフトは、ソースエビデンス、臨床および記録時間、意思決定時可用性、表現バージョン、提案された因果関係の役割、そしてロックされたターゲットトライアルの下で抽出された特徴に対する未解決の曖昧さを付加する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: AI and large language models can recover clinically meaningful features from electronic health records (EHRs), but predictive usefulness does not establish admissibility for causal inference. We introduce information set emulation: an AI typed lift attaches source evidence, clinical and recording times, decision-time availability, representation version, proposed causal roles, and unresolved ambiguity to extracted features under a locked target trial. Causal certificates record auditable evidence for those roles. Features with unresolved downstream roles are routed to compatible reporting or separate analyses. Typed evidence defines an observational fiber of causal worlds consistent with the observed law. The locked scalar estimand maps this fiber to a compatible image whose squared Chebyshev radius equals the residual minimax mean squared error when the image is nonempty and compact. This classical identity provides a target-specific measure of information ambiguity. The contribution is its integration with a joint EHR observation map and an auditable certificate architecture. Under explicit exchangeability, positivity, and nuisance-consistency conditions, we give identification and cross-fitted augmented inverse probability weighted estimation, distinguishing empirical and population targets. An EHR compression-drift identity separates the roles of frame presence, treatment assignment, and outcome observation. Artificial simulations and a common-law finite-world example illustrate estimation failures and information-radius reduction. Synthetic Phase 0 notes demonstrate audit diagnostics; a separate role-specific analysis spread illustrates routing and is not an exact fiber radius. All experiments are synthetic. The framework specifies when reconstructed information can support a point claim and when compatible reporting is required.
• Abstract（参考訳）: AIおよび大規模言語モデルは、電子健康記録(EHR)から臨床的に有意義な特徴を回復することができるが、予測的有用性は因果推論に対する許容性を確立しない。 AI型リフトは、ソースエビデンス、臨床および記録時間、意思決定時可用性、表現バージョン、提案された因果関係の役割、そしてロックされたターゲットトライアルの下で抽出された特徴に対する未解決の曖昧さを付加する。 因果証明書はこれらの役割の監査可能な証拠を記録する。 未解決の下流ロールを持つ機能は、互換性のあるレポートや別個の分析にルーティングされる。 タイプドエビデンス(Typed evidence)は、観察された法則と一致する因果世界の観察繊維を定義する。 ロックされたスカラー推定器は、このファイバーを正方形チェビシェフ半径が、画像が空でコンパクトであるときの残留極小平均二乗誤差と等しい互換画像にマッピングする。 この古典的なアイデンティティは、情報あいまいさのターゲット固有の尺度を提供する。 コントリビューションは、共同のEHR観測マップと監査可能な認証アーキテクチャとの統合である。 明示的な交換性, 肯定性, ニュアンス一貫性条件の下では, 実験目標と人口目標を識別し, クロスフィットした逆確率重み付け推定を行う。 EHR圧縮ドリフトアイデンティティは、フレームの存在、治療課題、結果観察の役割を分離する。 人工シミュレーションとコモン・ローの有限世界の例は、推定失敗と情報ラディウス還元を例示している。 合成フェーズ0ノートでは、監査診断が示されており、別の役割特異的解析スプレッドはルーティングを示し、正確なファイバー半径ではない。 全ての実験は合成である。 このフレームワークは、再構成された情報がポイントクレームをサポートし、互換性のあるレポートが必要な場合に指定する。

関連論文リスト

• When AI Generates Covariates: Causal Typing and Estimand Drift in Sequential Experiments [0.0]
  シーケンシャルな実験のために因果型の規律を定式化する。 圧縮バイアスの条件共分散特性を設計関連状態に対する生成表現の置換に適用する。 改良が設計関連情報を保持する上で有効であることを示し、一方、設計消去、漏洩、同一データマーカーの選択はバイアスや隠蔽をもたらす可能性があることを示す。
  論文  参考訳（メタデータ） (2026-09-15T19:24:40Z)
• Local verification cannot detect non-transportability: a cohomological theory of context preservation in agentic reasoning [0.0]
  エージェントAIシステムは、生物学的、臨床的、財務的な文脈で定期的に結論を伝達する。 局所的検証の新たなセーフガードは構造的に不完全であることを示す。 不均一な精度で歪みを定量化し、正確性を復元する精密な白紙形状を提供する。
  論文  参考訳（メタデータ） (2026-08-04T21:09:50Z)
• When benchmark inferences do not compose: Projectibility in AI evaluation [0.0]
  AIベンチマークの結果が1ステップで連続的なクレームに達することはめったにない。 評価者はそれをさらなるケースに一般化し、能力の証拠として解釈し、新しいタスクに外挿し、他のシステムやサイトへ輸送する。 保証リンクは保証チェーンを自動的に作らない。
  論文  参考訳（メタデータ） (2026-07-28T18:07:04Z)
• When Are Neural Interaction Discoveries Real? Identifiability, Recoverability, and a Pre-Fit Diagnostic [0.0]
  これは基本的には、観測された入力支援の幾何学によって支配される識別可能性の問題である。 表現能力が識別可能でないことを示す。 相互作用の回復性はサポート幾何学に依存することを示す。
  論文  参考訳（メタデータ） (2026-06-07T00:52:43Z)
• Diagnosing and Rectifying Fake OOD Invariance: A Restructured Causal Approach [51.012396632595554]
  不変表現学習(IRL)は、不変因果的特徴から環境から切り離されたラベルへの予測を促進する。 最近の理論的結果は、IRLによって回復されたいくつかの因果的特徴は、訓練環境ではドメイン不変のふりをするが、目に見えない領域では失敗する。 本研究では,RS-SCMに関する条件付き相互情報に基づく手法を開発し,その効果を巧みに補正する。
  論文  参考訳（メタデータ） (2023-12-15T12:58:05Z)
• Learning Causal Representations from General Environments: Identifiability and Intrinsic Ambiguity [27.630223763160515]
  一般的な環境から得られたデータに基づいて,最初の識別可能性を示す。 線形因果モデルでは、因果グラフは完全復元可能であるが、潜伏変数は閉ノード曖昧性(SNA)までしか識別できないことを示す。 また,SNAまでの地下構造モデルを確実に復元するアルゴリズムである texttLiNGCReL を提案する。
  論文  参考訳（メタデータ） (2023-11-21T01:09:11Z)
• Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
  本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。 我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
  論文  参考訳（メタデータ） (2023-06-01T10:51:58Z)
• Bayesian Networks for the robust and unbiased prediction of depression and its symptoms utilizing speech and multimodal data [65.28160163774274]
  我々は,抑うつ,抑うつ症状,および,胸腺で収集された音声,表情,認知ゲームデータから得られる特徴の関連性を把握するためにベイズ的枠組みを適用した。
  論文  参考訳（メタデータ） (2022-11-09T14:48:13Z)
• Structural Causal Models Are (Solvable by) Credal Networks [70.45873402967297]
  因果推論は、干潟網の更新のための標準的なアルゴリズムによって得ることができる。 この貢献は, 干潟ネットワークによる構造因果モデルを表現するための体系的なアプローチと見なされるべきである。 実験により, 実規模問題における因果推論には, クレーダルネットワークの近似アルゴリズムがすぐに利用できることがわかった。
  論文  参考訳（メタデータ） (2020-08-02T11:19:36Z)

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。