論文の概要: Hidden Data Challenges in Clinical Machine Learning

• arxiv url: http://arxiv.org/abs/2610.13350v1
• Date: Fri, 09 Oct 2026 10:28:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.524237
• Title: Hidden Data Challenges in Clinical Machine Learning
• Title（参考訳）: 臨床機械学習における隠れデータ課題
• Abstract要約: セマンティクス,エピソード定義,エンドポイントの構成,モダリティの選択,不足処理といった曖昧さが,モデルで利用可能な情報をどのように変えるかを示す。 我々は、MIMIC-IVおよび関連する電子健康記録データセットの時間的、臨床的に整合性があり、再現可能な前処理のための実用的な勧告を導出する。
• 参考スコア（独自算出の注目度）: 43.89454680711102
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Widely reused preprocessing pipelines for electronic health records can encode assumptions about when information became available, what clinical episode a label represents, and what missingness means. These assumptions are rarely audited systematically and may propagate across subsequent studies when preprocessing pipelines are reused or adapted. Using MIMIC-IV as a case study, we identify and quantify violations of three complementary forms of preprocessing alignment, i.e., temporal, semantic, and population alignment, which manifest as temporal leakage, feature-task misalignment, and biased imputation. We show how ambiguities in timestamp semantics, episode definitions, endpoint construction, modality selection, and missingness handling can alter the information available to a model and affect the interpretation of its predictions. Through analyses of MIMIC-IV data and empirical case studies, we demonstrate that such choices may remain largely invisible in aggregate predictive performance while changing the signals on which models rely. We derive practical recommendations for temporally valid, clinically aligned, and reproducible preprocessing of MIMIC-IV and related electronic health record datasets. The code for our experiments, including our proposed preprocessing, is available at: https://github.com/m2l-lab/mimic-iv-preprocess.
• Abstract（参考訳）: 電子健康記録のための広く再利用された前処理パイプラインは、情報がいつ利用可能になったか、ラベルがどの臨床エピソードを表すか、不足の意味について仮定を符号化することができる。 これらの仮定は体系的に監査されることはめったになく、前処理パイプラインを再利用したり、適応させたりする際には、その後の研究に影響を及ぼす可能性がある。 ケーススタディとしてMIMIC-IVを用いて,時間的漏洩,特徴視誤認,偏りを呈する3種類の前処理アライメント(時間的,意味的,集団的アライメント)の違反を同定し,定量化する。 タイムスタンプのセマンティクス,エピソード定義,エンドポイントの構成,モダリティの選択,不足処理の曖昧さが,モデルで利用可能な情報を変化させ,その予測の解釈にどのように影響するかを示す。 MIMIC-IVデータの解析と実験ケーススタディにより、これらの選択は、モデルが依存する信号を変化させながら、総合的な予測性能において、ほとんど見えないままであることを示した。 我々は、MIMIC-IVおよび関連する電子健康記録データセットの時間的、臨床的に整合性があり、再現可能な前処理のための実用的な勧告を導出する。 提案した前処理を含む我々の実験用コードは、https://github.com/m2l-lab/mimic-iv-preprocessで利用可能です。

関連論文リスト

• Pitfalls of Administrative Censoring in Survival Models with Time-Indexed Inputs [9.373139684950957]
  生存モデルは、部分的に観測されたデータを用いて時間と時間の結果をモデル化することができる。 最近のモデルは、しばしば特定の臨床経験で収集された豊富な入力に依存している。 これにより、結果が一定の研究終了日までにのみ観察される場合、潜在的な障害モードが生成される。
  論文  参考訳（メタデータ） (2026-07-11T20:10:16Z)
• Informative Missingness to Generate Irregular Clinical Time Series [2.48101490870201]
  実験室の値と観察パターンを共同でモデル化した臨床時系列を生成するための拡散型アプローチを提案する。 提案手法はTimeDiffフレームワークを拡張して,連続的な実験値と離散的な欠落パターンを学習する。 これらの予備的な結果は,本モデルが臨床基礎モデル開発の初期構成要素となることを示唆している。
  論文  参考訳（メタデータ） (2026-06-14T13:06:03Z)
• Meta-Learners for Partially-Identified Treatment Effects Across Multiple Environments [67.80453452949303]
  観察データから条件平均治療効果(CATE)を推定することは、パーソナライズされた医療など多くの応用に関係している。 ここでは、観測データが複数の環境からやってくる広範囲な環境に焦点を当てる。 任意の機械学習モデルと組み合わせて使用可能な境界を推定するために、異なるモデルに依存しない学習者(いわゆるメタ学習者)を提案する。
  論文  参考訳（メタデータ） (2024-06-04T16:31:43Z)
• Path Signatures for Seizure Forecasting [0.6282171844772422]
  患者固有の方法で発作を予測するための予測的特徴(バイオマーカー)の自動発見を検討する。 データストリームの解析における最近の進展であるパスシグネチャを用いて、測定時系列から発作予測までをマップする。
  論文  参考訳（メタデータ） (2023-08-18T05:19:18Z)
• Accounting For Informative Sampling When Learning to Forecast Treatment Outcomes Over Time [66.08455276899578]
  適切な基準を満たさない場合,情報サンプリングは治療結果の正確な推定を禁止できることが示唆された。 逆強度重み付けを用いた情報サンプリングの存在下での処理結果を学習するための一般的な枠組みを提案する。 本稿では,ニューラルCDEを用いてこのフレームワークをインスタンス化する新しい手法であるTESAR-CDEを提案する。
  論文  参考訳（メタデータ） (2023-06-07T08:51:06Z)
• An Extensive Data Processing Pipeline for MIMIC-IV [0.20326203100766121]
  エンドツーエンドで完全にカスタマイズ可能なパイプラインを提供して、データの抽出、クリーン化、および前処理を行います。 ICUおよび非ICU関連臨床時系列予測タスクにおけるMIMICデータセットの第4版(MIMIC-IV)の予測と評価を行った。
  論文  参考訳（メタデータ） (2022-04-29T01:09:38Z)
• DriPP: Driven Point Processes to Model Stimuli Induced Patterns in M/EEG Signals [62.997667081978825]
  我々はDriPPと呼ばれる新しい統計点過程モデルを開発する。 我々は、このモデルのパラメータを推定するために、高速で原理化された予測最大化(EM)アルゴリズムを導出する。 標準MEGデータセットの結果から,我々の手法が事象関連ニューラルレスポンスを明らかにすることが示された。
  論文  参考訳（メタデータ） (2021-12-08T13:07:21Z)
• Imputation-Free Learning from Incomplete Observations [73.15386629370111]
  本稿では,不備な値を含む入力からの推論をインプットなしでトレーニングするIGSGD法の重要性について紹介する。 バックプロパゲーションによるモデルのトレーニングに使用する勾配の調整には強化学習(RL)を用いる。 我々の計算自由予測は、最先端の計算手法を用いて従来の2段階の計算自由予測よりも優れている。
  論文  参考訳（メタデータ） (2021-07-05T12:44:39Z)
• Trajectories, bifurcations and pseudotime in large clinical datasets: applications to myocardial infarction and diabetes data [94.37521840642141]
  混合データ型と欠落値を特徴とする大規模臨床データセット分析のための半教師付き方法論を提案する。 この手法は、次元の減少、データの可視化、クラスタリング、特徴の選択と、部分的に順序付けられた観測列における測地距離(擬時)の定量化のタスクを同時に扱うことのできる弾性主グラフの適用に基づいている。
  論文  参考訳（メタデータ） (2020-07-07T21:04:55Z)

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。