論文の概要: A Patient World Model for Early Forecasting of Digital Health Campaign Outcomes: Capabilities and Limits

• arxiv url: http://arxiv.org/abs/2609.23333v1
• Date: Sun, 20 Sep 2026 03:37:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:00.77098
• Title: A Patient World Model for Early Forecasting of Digital Health Campaign Outcomes: Capabilities and Limits
• Title（参考訳）: デジタルヘルスキャンペーン成果の早期予測のための患者世界モデル:能力と限界
• Abstract要約: 我々は、デジタル直接消費者健康キャンペーンのためのコンパクトな患者世界モデルを構築した。 我々は、米国のキャンペーンデータセットで147,173人、リスクの高い週520万人を対象に評価を行った。
• 参考スコア（独自算出の注目度）: 3.624843984697598
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Digital direct-to-consumer (DTC) health campaigns are usually measured after the fact. In-flight forecasting commonly relies on a separate classifier for every cutoff and horizon. We treat this task as a dynamic-system problem and build a compact patient world model. The architecture maintains a latent state per patient, learns exposure-conditioned state dynamics jointly with a weekly conversion hazard, and rolls forward into future conversion curves. We evaluate it on a US campaign dataset with 147{,}173 patients and 5.2 million at-risk person-weeks. In a retrospective evaluation conditioned on recorded future exposures, the model forecasts the remaining new-to-brand prescription volume through week 52 with a relative error of 2.9\% from a week-4 cutoff and 0.8--2.6\% from cutoffs at weeks 8--26. The strongest non-recurrent baseline, a pooled-hazard gradient boosting model given the same survival rollout and information, has relative errors of 13.6--33.1\%. Per-horizon classifiers perform substantially worse. A Fisher-information analysis motivates dense next-exposure supervision when conversions are rare. Removing this auxiliary objective increases prescription-volume error by approximately $2$--$14\times$, while providing no consistent disadvantage on the more common specialist-visit outcome. We also evaluate scenario simulation. Switching all future exposure off raises predicted conversion from 0.31 to 0.89, a pattern consistent with selection effects in observational exposure data. This result highlights the limits of interpreting exposure-conditioned rollouts causally.
• Abstract（参考訳）: デジタルダイレクト・ツー・コンシューマー(DTC)の健康キャンペーンは通常、その事実の後に測定される。 飛行中の予測は、通常、切り離しと地平線ごとに別個の分類器に依存する。 我々は、このタスクを動的システム問題として扱い、コンパクトな患者世界モデルを構築する。 このアーキテクチャは、患者1人当たりの潜伏状態を維持し、毎週の変換ハザードと共同で露光条件付き状態のダイナミクスを学び、将来の変換曲線に進む。 147{,}173人の患者と520万人のリスクのある人を対象に、米国のキャンペーンデータセットで評価した。 記録された将来の暴露を条件とした振り返り評価では、週4カットオフから相対誤差が2.9\%、週8～26カットオフから0.8～2.6\%と予測される。 最強の非リカレントベースラインは、同じサバイバルロールアウトと情報を与えるプールハザード勾配上昇モデルであり、相対誤差は13.6--33.1\%である。 水平別分類器の動作は著しく悪化する。 フィッシャー情報分析は、変換が稀なときに、密集した次の露光の監視を動機付ける。 この補助的目的を除去することで、処方薬量エラーを約2ドルから14ドルに増やすと同時に、より一般的な専門家と訪問者の結果に一貫した不利をもたらす。 また,シナリオシミュレーションの評価を行った。 将来の露光を全てオフにすると、観測露光データにおける選択効果と一致するパターンである0.31から0.89への予測変換が生じる。 この結果は、露光条件のロールアウトを慎重に解釈する限界を強調している。

関連論文リスト

• The Granularity Paradox: How Temporal Disaggregation Inflates In-Sample Fit and Compounds Out-of-Sample Error [0.0]
  時系列予測における「グラニュラリティパラドックス」は, 時間分解の微細化により, サンプル内診断やデータセットサイズが向上する。 このトレードオフを形式化し、13年間の公開調達データセットを使用して、6つの粒度にわたる10のモデルをベンチマークします。
  論文  参考訳（メタデータ） (2026-07-05T11:52:08Z)
• Early predicting of hospital admission using machine learning algorithms: Priority queues approach [0.1957338076370071]
  救急署の混雑は患者の安全と作業効率を損なう重要な問題である。 本研究では,季節自動回帰統合移動平均とeXogenous Regressors(SARIMAX),Extreme Gradient Boosting(XGBoost),Long Short-Term Memory(LSTM)の3つの予測モデルを評価し,比較する。 XGBoostは平均絶対誤差が6.63であり、統計SARIMAXモデルでは3.77である大合併症の予測に優れていた。
  論文  参考訳（メタデータ） (2026-01-21T21:31:16Z)
• 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)
• Interpretable (not just posthoc-explainable) medical claims modeling for discharge placement to prevent avoidable all-cause readmissions or death [2.198760145670348]
  我々は回帰係数の変動を表現するために本質的に解釈可能な多レベルベイズフレームワークを開発した。 我々は,この枠組みを用いて,医療クレームを用いた生存モデルを定式化し,入院と死亡を予測した。 2009-2011年の入院エピソードに基づいて、2008年と2011年の医療受給者の5%のサンプルを用いてモデルを訓練し、2012年のエピソードでモデルを検証した。
  論文  参考訳（メタデータ） (2022-08-28T06:19:32Z)
• Patient-independent Schizophrenia Relapse Prediction Using Mobile Sensor based Daily Behavioral Rhythm Changes [8.086775225009996]
  モバイルセンシングデータを用いた機械学習に基づく統合失調症再発予測モデルについて検討した。 このモデルは、この4週間のモバイルセンシングデータを使って、来週の再発を予測している。 その結果,63名の統合失調症患者のデータセットを用いて,F2スコアが0.083であった。
  論文  参考訳（メタデータ） (2021-06-25T21:42:28Z)
• Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
  公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。 過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。 我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
  論文  参考訳（メタデータ） (2021-06-08T14:48:20Z)
• Approximate Bayesian Computation for an Explicit-Duration Hidden Markov Model of COVID-19 Hospital Trajectories [55.786207368853084]
  新型コロナウイルス(COVID-19)のパンデミックの中、病院の資源をモデル化する問題に取り組んでいます。 幅広い適用性のために、関心のある領域の患者レベルデータが利用できない、一般的なが困難なシナリオに注目します。 本稿では,ACED-HMM(ACED-HMM)と呼ばれる集合数正規化隠れマルコフモデルを提案する。
  論文  参考訳（メタデータ） (2021-04-28T15:32:42Z)
• DeepRite: Deep Recurrent Inverse TreatmEnt Weighting for Adjusting Time-varying Confounding in Modern Longitudinal Observational Data [68.29870617697532]
  時系列データにおける時間変化の相違に対するDeep Recurrent Inverse TreatmEnt重み付け(DeepRite)を提案する。 DeepRiteは、合成データから基底的真理を復元し、実際のデータから偏りのない処理効果を推定する。
  論文  参考訳（メタデータ） (2020-10-28T15:05:08Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)
• Short-term forecasting COVID-19 cumulative confirmed cases: Perspectives for Brazil [3.0711362702464675]
  新型コロナウイルス(COVID-19)は、今日までの最初の通知以来、何百万人もの人に感染する新興の病気だ。 本稿では、自己回帰統合移動平均(ARIMA)、キュビスト(CUBIST)、ランダムフォレスト(RF)、リッジ回帰(RIDGE)、スタックングアンサンブル学習を評価する。 開発されたモデルは正確な予測を生成でき、それぞれ0.87%から3.51%、1.02%から5.63%、0.95%から6.90%の誤差を発生させる。
  論文  参考訳（メタデータ） (2020-07-21T17:58:58Z)
• Joint Prediction and Time Estimation of COVID-19 Developing Severe Symptoms using Chest CT Scan [49.209225484926634]
  術後に重篤な症状を発症するかどうかを判定するための共同分類法と回帰法を提案する。 提案手法は,各試料の重量を考慮し,外乱の影響を低減し,不均衡な分類の問題を検討する。 提案手法では, 重症症例の予測精度76.97%, 相関係数0.524, 変換時間0.55日差が得られた。
  論文  参考訳（メタデータ） (2020-05-07T12:16:37Z)

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。