論文の概要: Diagnosing Low-Confidence Patient Profiles via Localized Harmful Covariate Shift Detection

• arxiv url: http://arxiv.org/abs/2610.19178v2
• Date: Mon, 19 Oct 2026 13:57:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 06:32:45.292304
• Title: Diagnosing Low-Confidence Patient Profiles via Localized Harmful Covariate Shift Detection
• Title（参考訳）: 局所的ハーモフ共変量変化検出による低信頼度患者プロファイルの診断
• Abstract要約: 両視点を組み合わせた統合診断パイプラインを提案する。 MED3paは、まず解釈可能な低信頼の患者プロファイルを発見する。 シフト検出性自体が情報であることに気付きました。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Before deploying clinical prediction models, their reliability must be assessed to ensure safe use. Errors may arise from distribution shifts between training and deployment or from heterogeneous performance where the model systematically underperforms for certain patient subgroups. Yet most post-hoc diagnostic methods evaluate reliability only at the population level, checking whether the deployment data resemble the training data and whether the model performs well on average, without accounting for heterogeneity that may cause some patients to be disproportionately affected. We propose a unified diagnostic pipeline that combines both perspectives. MED3pa first discovers interpretable low-confidence patient profiles, and Detectron is then applied within each profile to test whether its degradation is associated with a detectable harmful covariate shift. Across three clinical prediction tasks and three injected subgroup shifts in MIMIC-IV, we find that shift detectability itself is informative. An injected age shift, undetectable at the population level, was nonetheless localized to specific degraded profiles, whereas sex- and race-related shifts were detected broadly and therefore offered little guidance for identifying the most affected patients.
• Abstract（参考訳）: 臨床予測モデルをデプロイする前に、その信頼性を評価して安全な使用を確保する必要がある。 誤差は、トレーニングとデプロイメントの間の分布シフトや、モデルが特定の患者サブグループに対して体系的に過小評価される不均一なパフォーマンスから生じる。 しかし、ほとんどのポストホック診断法は、人口レベルでのみ信頼性を評価し、デプロイデータがトレーニングデータに類似しているか、モデルが平均的にうまく機能しているかを、一部の患者に不均一な影響を与える可能性のある不均一性を考慮せずに確認する。 両視点を組み合わせた統合診断パイプラインを提案する。 MED3paはまず、解釈可能な低信頼の患者プロファイルを発見し、その後、その劣化が検出可能な有害な共変量シフトと関連しているかどうかを調べるために、各プロファイル内にディテクトロンを適用する。 MIMIC-IVにおける3つの臨床予測課題と3つのサブグループシフトに対して,シフト検出性自体が有益であることが判明した。 年齢変化は、集団レベルでは検出できないが、特定の低下したプロファイルに局所化されているのに対し、性別や人種に関する変化は広範囲に検出され、最も影響を受ける患者を特定するためのガイダンスはほとんど提供されなかった。

関連論文リスト

• 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)
• Imputation-free transformer learning enables robust Alzheimer's disease prediction and calibrated uncertainty quantification across heterogeneous clinical cohorts [1.2407987412519395]
  ニトロゲン(NITROGEN)は、患者内部の特徴と患者間の関係構造を共同でモデル化する、計算不要なトランスフォーマーである。 ADNIでNITROGENを訓練し,2つの独立したコホートで評価した。
  論文  参考訳（メタデータ） (2026-07-13T15:05:26Z)
• Guideline-Grounded Evidence Accumulation for High-Stakes Agent Verification [60.18369393468405]
  既存の検証器は通常、ドメイン知識の欠如と限られた校正のために性能が劣る。 GLEANは専門家によって計算されたプロトコルをトラジェクトリインフォームされ、よく校正された正当性信号にコンパイルする。 我々は,MIMIC-IVデータセットから得られた3つの疾患の薬物的臨床診断でGLEANを実証的に検証した。
  論文  参考訳（メタデータ） (2026-03-03T09:36:43Z)
• 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)
• Assessing Uncertainty Estimation Methods for 3D Image Segmentation under Distribution Shifts [0.36832029288386137]
  本稿では, 分布シフトしたサンプルを検出するために, 最先端ベイズ法と非ベイズ法を併用する可能性について検討する。 後部分布における一様あるいは多様の局面を捉えるために, 3つの異なる不確実性推定法を比較した。 その結果, 後方分布におけるマルチモーダル特性に対処できる手法により, より信頼性の高い不確実性推定が可能であることが示唆された。
  論文  参考訳（メタデータ） (2024-02-10T12:23:08Z)
• Evaluating AI systems under uncertain ground truth: a case study in dermatology [43.8328264420381]
  不確実性を無視することは、モデル性能の過度に楽観的な推定につながることを示す。 皮膚状態の分類では,データセットの大部分が重大な真理不確実性を示すことが判明した。
  論文  参考訳（メタデータ） (2023-07-05T10:33:45Z)
• Conservative Prediction via Data-Driven Confidence Minimization [70.93946578046003]
  機械学習の安全性クリティカルな応用においては、モデルが保守的であることが望ましいことが多い。 本研究では,不確実性データセットに対する信頼性を最小化するデータ駆動信頼性最小化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-08T07:05:36Z)
• Towards Reliable Medical Image Segmentation by Modeling Evidential Calibrated Uncertainty [57.023423137202485]
  医用画像のセグメンテーションの信頼性に関する懸念が臨床医の間で続いている。 本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。 主観的論理理論を活用することで、医用画像分割の確率と不確実性を明示的にモデル化する。
  論文  参考訳（メタデータ） (2023-01-01T05:02:46Z)

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。