論文の概要: Latent Similarity Gaussian Processes: A Theory-Grounded Approach to Personalized Suicide-Risk Forecasting for Clinical Decision-Support

• arxiv url: http://arxiv.org/abs/2610.06355v1
• Date: Mon, 05 Oct 2026 13:54:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-09 08:55:02.201587
• Title: Latent Similarity Gaussian Processes: A Theory-Grounded Approach to Personalized Suicide-Risk Forecasting for Clinical Decision-Support
• Title（参考訳）: 潜在的類似性ガウス過程:臨床診断のためのパーソナライズされた自殺・リスク予測への理論的アプローチ
• Abstract要約: 本稿では,患者を連続的な潜伏空間に埋め込んで類似度と予測リスクを共同でモデル化するLSGP(Latent similarity Gaussian Processes)を提案する。 筆者らの貢献は,(1)2チャネル類似性カーネル,(2)標準モデル適合アルゴリズム,平均場変動推定,崩壊によるLSGPの非合成モデルへの崩壊,(3)LSGPの非合成,イディオグラフィ,階層的モデルによる次週のリスク予測の精度向上を示す集中的自殺データに対する実証結果である。
• 参考スコア（独自算出の注目度）: 2.087216694470944
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Forecasting suicide risk is difficult due to the high heterogeneity of patients and the low base rate of suicide-related events (SREs). We present Latent Similarity Gaussian Processes (LSGPs), which embed patients in a continuous latent space to jointly model similarity and forecast risk. By selectively drawing information from latent peers, LSGPs better capture individualized risk trajectories, generalizing nomothetic (pooled), idiographic (per-patient), and hierarchical frameworks. Our contributions are: (1) an identifiable two-channel Similarity Kernel; (2) proof that the standard model-fitting algorithm, mean-field variational inference, collapses LSGPs to nomothetic models, along with a fix; and (3) empirical results on intensive longitudinal suicide data showing LSGPs outperform nomothetic, idiographic, and hierarchical models for next-week risk forecasting, with the largest gains in forecasting first-occurrence SREs.
• Abstract（参考訳）: 自殺リスクの予測は、患者の不均一度が高く、自殺関連事象(SRE)のベースレートが低いため困難である。 本稿では,患者を連続的な潜伏空間に埋め込んで類似度と予測リスクを共同でモデル化するLSGP(Latent similarity Gaussian Processes)を提案する。 LSGPは、潜伏者からの情報を選択的に描画することにより、個人化されたリスクトラジェクトリをよりよく捕捉し、ノモテティック(プール化)、イディオグラフィ(患者ごと)、階層的なフレームワークを一般化する。 筆者らの貢献は,(1)2チャネル類似性カーネル,(2)標準モデル適合アルゴリズム,平均場変動推定,崩壊,LSGPからノーモセティックモデルへの崩壊,(3)LSGPの非モーテティック,イディオグラフィ,階層的モデルよりも優れた非モーテティック,イディオグラフィ,および次週のリスク予測に対する実験結果,である。

関連論文リスト

• Gated Graph Neural Networks for Learning Hidden Independent Cascade Dynamics [50.02140519922548]
  情報や伝染病はソーシャルネットワークを通じて広まっていますが、ノードごとのアクティベーション時間なしでは予測が難しいのです。 本研究では,Hydden Independent Cascade(HIC)モデルの下で,この逆問題について検討する。 本研究では,個々の潜伏カスケードを再構成することなく,ノードレベルのパラメータベクトルを復元するシミュレーションベースの補正推定器を提案する。
  論文  参考訳（メタデータ） (2026-10-02T20:36:22Z)
• Nationwide EHR-Based Chronic Rhinosinusitis Prediction Using Demographic-Stratified Models [5.410845855301495]
  慢性副鼻腔炎 (CRS) は、一般的な異種性炎症性疾患であり、かなりの死亡率と医療費を引き起こす。 以前の予測研究はしばしば単一施設のコホートに依存しており、人口レベルの一般化性が低下する。 全国の縦断的ERHデータを用いて,2年間の診断履歴を用いてCRSの診断を予測した。
  論文  参考訳（メタデータ） (2026-04-16T21:27:05Z)
• Adaptable Cardiovascular Disease Risk Prediction from Heterogeneous Data using Large Language Models [70.64969663547703]
  AdaCVDは、英国バイオバンクから50万人以上の参加者を対象に、大規模な言語モデルに基づいて構築された適応可能なCVDリスク予測フレームワークである。 包括的かつ可変的な患者情報を柔軟に取り込み、構造化データと非構造化テキストの両方をシームレスに統合し、最小限の追加データを使用して新規患者の集団に迅速に適応する。
  論文  参考訳（メタデータ） (2025-05-30T14:42:02Z)
• Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
  そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。 また,死亡率と臓器不全の関連性について有意な知見が得られた。
  論文  参考訳（メタデータ） (2024-07-28T02:42:36Z)
• Tree-Guided Rare Feature Selection and Logic Aggregation with Electronic Health Records Data [7.422597776308963]
  希少な二項特徴を持つ大規模回帰のための木誘導的特徴選択と論理集約手法を提案する。 EHRデータを用いた自殺リスクスタディでは、我々のアプローチは、以前のメンタルヘルス診断を選択して集約することができる。
  論文  参考訳（メタデータ） (2022-06-18T03:52:43Z)
• SurvLatent ODE : A Neural ODE based time-to-event model with competing risks for longitudinal data improves cancer-associated Deep Vein Thrombosis (DVT) prediction [68.8204255655161]
  本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。 そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。 SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
  論文  参考訳（メタデータ） (2022-04-20T17:28:08Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• EPIC-Survival: End-to-end Part Inferred Clustering for Survival Analysis, Featuring Prognostic Stratification Boosting [0.0]
  epic-survival bridgeは、エンドツーエンドサバイバルモデリングアプローチにエンコードし、集約する。 肝内胆管癌のモデルとしてEPIC-Survivalが有用であった。
  論文  参考訳（メタデータ） (2021-01-26T21:11:45Z)
• WRSE -- a non-parametric weighted-resolution ensemble for predicting individual survival distributions in the ICU [0.251657752676152]
  集中治療室(ICU)における死亡リスクの動的評価は、患者を階層化し、治療効果を知らせたり、早期警戒システムの一部として機能したりすることができる。 現状の確率モデルと競合する結果を示すとともに,2～9倍のトレーニング時間を大幅に短縮する。
  論文  参考訳（メタデータ） (2020-11-02T10:13:59Z)
• A General Framework for Survival Analysis and Multi-State Modelling [70.31153478610229]
  ニューラル常微分方程式を多状態生存モデル推定のためのフレキシブルで一般的な方法として用いる。 また,本モデルでは,サバイバルデータセット上での最先端性能を示すとともに,マルチステート環境での有効性を示す。
  論文  参考訳（メタデータ） (2020-06-08T19:24:54Z)

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。