論文の概要: Repeated-Measure Leakage, Distribution Shift, and Reliability under Partial Observation in Patient World Models

• arxiv url: http://arxiv.org/abs/2610.04778v1
• Date: Sat, 03 Oct 2026 21:35:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-11 16:43:25.603255
• Title: Repeated-Measure Leakage, Distribution Shift, and Reliability under Partial Observation in Patient World Models
• Title（参考訳）: 患者世界モデルにおける部分的観察による繰り返し測定漏れ, 分布変化, 信頼性
• Abstract要約: 患者世界モデルは, 経時的予測, 介入意識推論, 臨床・臨床的シミュレーションのために提案される。 我々はこれらの前提条件を意図的に狭い環境で評価する。 永続化、リッジ、コントロール、GRU、Transformer、コンパクトなJEPAスタイルの予測器を使って、評価はしごを構築します。 その結果, 患者分離, 繰り返し測定, シフト, 欠落, 検証の必要条件評価スタックが得られた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Patient world models are increasingly proposed for longitudinal prediction, intervention-aware reasoning, and clinical-trial simulation. Causal or clinical intervention validity is distinct from predictive generalization and reliability; before making stronger claims, the underlying predictive state should generalize across patients, survive realistic shifts and missing observations, and expose failure through meaningful reliability signals. We evaluate these prerequisites in a deliberately narrow setting: short-horizon digital-biomarker forecasting from PhysioNet GaitPDB, comprising 165 participants, 306 recordings, and 51,129 context-future pairs. Using persistence, ridge, MLP, GRU, Transformer, and a compact JEPA-style predictor, we build an evaluation ladder that progressively removes raw temporal overlap, same-recording familiarity, and same-patient familiarity before testing unseen-patient generalization. For GRU, NMSE rises from 0.1227 under random-window splitting to 0.1393 after eliminating raw train-test overlap and to 0.1961 under patient holdout. Among 54 participants with repeated recordings, exposure to a different recording from the same patient improves GRU NMSE from 0.2177 to 0.1556, while a recording-excluded identity hypothesis is not supported at the participant level. Under participant-held-out evaluation, MLP and Transformer are statistically indistinguishable. Study shift, a four-times-longer prediction gap, and partial observation further degrade performance; under 50% temporal masking, Transformer NMSE rises to 0.611 while MC-dropout predictive variance falls. We do not claim a longitudinal or intervention-aware simulator. Instead, the results support a prerequisite evaluation stack of patient separation, repeated-measure controls, shift, missingness, and uncertainty validation before stronger patient-world-model claims are trusted.
• Abstract（参考訳）: 患者世界モデルは、縦断予測、介入認識推論、臨床・臨床的シミュレーションのためにますます提案されている。 因果的または臨床的介入の妥当性は、予測的一般化と信頼性とは区別され、強い主張をする前に、基礎となる予測状態は、患者全体にわたって一般化し、現実的なシフトと観察の欠如を乗り越え、有意義な信頼性信号を通して失敗を明らかにするべきである。 165名,306名,51,129名からなるPhyloNet GaitPDBからの短水平デジタルバイオマーカーの予測を行う。 本研究では, 持続性, 隆起, MLP, GRU, Transformer, およびコンパクトなJEPA式予測器を用いて, 生の時間的重なり, 同一の親しみ, 同一の親しみやすさを段階的に除去する評価はしごを構築した。 GRUの場合、NMSEはランダムウインドウで0.1227から0.1393に上昇する。 繰り返し録音した54人のうち、同一患者の異なる記録に曝露した場合、GRU NMSEは0.2177から0.1556に改善され、記録除外された同一性仮説は参加者レベルでは支持されない。 MLPとTransformerは統計的に区別できない。 時間マスキングの50%以下では、Transformer NMSEは0.611に上昇し、MC出力の予測分散は低下する。 我々は、縦型または介入型シミュレーターを主張しない。 その代わり、患者分離、繰り返し測定制御、シフト、欠如、不確実性検証の前提条件評価スタックをサポートし、患者ワールドモデルクレームの信頼性を高める。

関連論文リスト

• Reliability-Centered Evaluation of Sparse Longitudinal CT Lesion-Size Forecasting with Conformal Interval Calibration and Gompertz-Inspired Regularization [0.8460698440162889]
  我々は,DeepLesionとDeep Lesion Trackerから,DLT由来の5ビジットな同一方向軌跡ベンチマークを構築した。 探索的スパース・トゥ・ファイナル解析と主固定入射地平面設計との比較を行った。 我々は,予測精度,不確実性信頼性,ポストホック等間隔キャリブレーション,サブグループ性能,およびGompertz誘発軌道正則化を評価した。
  論文  参考訳（メタデータ） (2026-09-18T01:25:48Z)
• Calibration-First Cross-Cohort Multimodal Temporal Learning for Transferable Asthma-Risk Forecasting [0.0]
  喘息の悪化予測は、患者の人口、センサーのエコシステム、利用可能なモダリティが変化しても、確実に行う必要がある。 不完全データを用いた近地リスク予測のためのキャリブレーションファーストマルチモーダル時間フレームワークであるCALIBRAを提案する。
  論文  参考訳（メタデータ） (2026-09-17T08:19:47Z)
• Predicting Neuromodulation Outcome for Parkinson's Disease with Generative Virtual Brain Model [95.41752463487008]
  パーキンソン病は世界中で1千万人以上に影響している。 個人間変異は経験的治療の選択を制限し、非無視的な外科的リスクとコストを増大させる。 我々は、このギャップをトレーニング済みのファインタニングフレームワークで埋めて、静止状態fMRIから直接結果を予測する。
  論文  参考訳（メタデータ） (2026-03-31T02:36:10Z)
• Transparent Early ICU Mortality Prediction with Clinical Transformer and Per-Case Modality Attribution [42.85462513661566]
  ICU滞在後48時間から, 生理的時系列測定と非構造的臨床記録とを融合した, 軽量で透明なマルチモーダルアンサンブルを提案する。 ロジスティック回帰モデルは、バイタル用双方向LSTMとノート用微調整された臨床ModernBERT変換器の2つのモード固有モデルからの予測を組み合わせる。 MIMIC-IIIベンチマークでは、遅延融合アンサンブルは、よく校正された予測を維持しながら、最高の単一モデルに対する差別を改善する。
  論文  参考訳（メタデータ） (2025-11-19T20:11:49Z)
• Generalisable prediction model of surgical case duration: multicentre development and temporal validation [0.0]
  既存のモデルは多くの場合、部位または外科医固有の入力に依存し、外部の検証を受けることは滅多にない。 本研究は,本邦の2つの総合病院で日常的に収集されたデータを用いた多施設共同調査を行った。 広く利用可能な事前操作変数のみを用いた階層型機械学習モデルは、時間的外的検証において正確で校正された予測を達成した。
  論文  参考訳（メタデータ） (2025-11-12T05:30:51Z)
• SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
  セプシスは米国での院内死亡の主な原因である。 既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。 限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-24T04:47:36Z)
• Quantifying predictive uncertainty of aphasia severity in stroke patients with sparse heteroscedastic Bayesian high-dimensional regression [47.1405366895538]
  高次元データに対する疎線型回帰法は、通常、残留物が一定の分散を持つと仮定するが、これは実際には破ることができる。 本稿では,ヘテロセダスティック分割経験的ベイズ期待条件最大化アルゴリズムを用いて,高次元ヘテロセダスティック線形回帰モデルを推定する。
  論文  参考訳（メタデータ） (2023-09-15T22:06:29Z)
• Automatically measuring speech fluency in people with aphasia: first achievements using read-speech data [55.84746218227712]
  本研究の目的は,言語習得の分野で開発された信号処理algorithmの関連性を評価することである。
  論文  参考訳（メタデータ） (2023-08-09T07:51:40Z)
• A Knowledge Distillation Ensemble Framework for Predicting Short and Long-term Hospitalisation Outcomes from Electronic Health Records Data [5.844828229178025]
  既存の結果予測モデルは、頻繁なポジティブな結果の低いリコールに悩まされる。 我々は、死亡率とICUの受け入れによって表される逆さを自動的に予測する、高度にスケーリング可能な、堅牢な機械学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-11-18T15:56:28Z)
• 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)
• 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。