論文の概要: Evidence-Anchored Overdose Death Prediction from Death Investigation Reports
- arxiv url: http://arxiv.org/abs/2610.19556v1
- Date: Wed, 14 Oct 2026 04:13:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:15.953444
- Title: Evidence-Anchored Overdose Death Prediction from Death Investigation Reports
- Title（参考訳）: Evidence-Anchored Overdose Death Prediction from death Investigations
- Abstract要約: 本稿では,死亡調査報告から疑わしい過剰行為を分類する自動フレームワークを提案する。
私たちのベストモデルは、現在デプロイ中のルールベースのシステムも15%上回っています。
- 参考スコア（独自算出の注目度）: 15.642778996453261
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Confirmation of overdose deaths in the United States is often delayed due to the complexities of certifying drug-involved deaths. Death investigation reports represent a rich but underutilized data source that could be used to predict whether a death is a suspected overdose (i.e., a death preliminarily identified as an overdose prior to the final cause and manner of death determination). We present an automated framework that classifies suspected overdoses from death investigation reports, while producing supporting explanations guided by expert knowledge. Through an expert-guided design process, we investigate 1) what type of explanations are best for model prediction performance, and 2) which architecture is better suited for this task: pipeline models that rationalize first and then predict, or self-rationalizing models that jointly predict and rationalize? Our experiments show that a pipeline model with explanations grounded in the input death investigation reports outperforms the other settings. Our best model also outperforms a rule-based system currently in deployment by 15%, while allowing expert interventions for final decisions.
- Abstract（参考訳）: 米国における過剰摂取死の確認は、薬物による死亡の証明の複雑さのため、しばしば遅れる。
死亡調査報告は、死が過剰摂取の疑いがある(すなわち、最終原因と死因決定の方法に先立って、予め過剰摂取として特定された死)かどうかを予測するのに使用できる、リッチだが未使用のデータソースを表している。
本稿では, 死亡調査報告から疑わしい過剰摂取を分類し, 専門家が指導する説明書を提示する自動フレームワークを提案する。
専門家が指導する設計プロセスを通して,我々は調査する
1)モデル予測性能に最適な説明の種類、及び
2) このタスクには,まず合理化し,次に予測するパイプラインモデル,あるいは共同で予測と合理化を行う自己合理化モデルという,どのアーキテクチャが適していますか?
実験の結果,入力死亡調査報告に根拠を置くパイプラインモデルでは,他の環境よりも優れた結果が得られた。
私たちの最高のモデルは、最終決定のための専門家の介入を許可しながら、現在デプロイされているルールベースのシステムよりも15%優れています。
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) - Silent Sabotage During Fine-Tuning: Few-Shot Rationale Poisoning of Compact Medical LLMs [13.477111992646456]
医療用大言語モデル(LLMs)の開発にはSFT(Supervised Fine-tuning)が不可欠である
SFT中における医療用LCMの推論過程を標的とした新規な毒殺攻撃を提案する。
論文 参考訳（メタデータ） (2026-02-28T07:25:22Z) - Detecting Suicidal Ideation in Text with Interpretable Deep Learning: A CNN-BiGRU with Attention Mechanism [0.0]
本稿では,CNNアーキテクチャとBiGRU技術を組み合わせたハイブリッドディープラーニング方式を提案する。
実験結果から93.97の精度が得られた。
論文 参考訳（メタデータ） (2025-11-10T04:53:17Z) - Poisoning Attacks on LLMs Require a Near-constant Number of Poison Samples [81.67041843907371]
この研究は、データセットのサイズに関わらず、毒殺攻撃がほぼ一定数のドキュメントを必要とすることを初めて実証した。
250の有毒なドキュメントも同様に、すべてのモデルとデータセットサイズにわたってモデルを妥協している。
以上の結果から,データ中毒によるバックドア注入は,従来考えられていたよりも大型モデルの方が容易である可能性が示唆された。
論文 参考訳（メタデータ） (2025-10-08T16:25:05Z) - Prediction-Powered Causal Inferences [59.98498488132307]
予測型因果推論(PPCI)に焦点をあてる
まず, 条件付きキャリブレーションにより, 人口レベルでの有効なPPCIが保証されることを示す。
次に、実験間での十分な表現制約伝達の妥当性を導入する。
論文 参考訳（メタデータ） (2025-02-10T10:52:17Z) - Navigating the OverKill in Large Language Models [84.62340510027042]
モデルがどのように処理し,クエリの安全性を判断するかを検討することで,過剰スキルの要因について検討する。
以上の結果から,モデル内にショートカットが存在することが明らかとなり,"キル"のような有害な単語が過剰に認識され,安全性が強調され,過度なスキルが増すことが示唆された。
我々は、この現象を緩和するために、トレーニングフリーでモデルに依存しないセルフコントラストデコーディング(Self-Contrastive Decoding、CD)を導入する。
論文 参考訳（メタデータ） (2024-01-31T07:26:47Z) - Consensus of state of the art mortality prediction models: From
all-cause mortality to sudden death prediction [0.0]
医療歴,血液検査,薬剤処方,入院が急死リスクの増大を予測できるかどうかを検討した。
我々は、突然の死亡または全死因の死亡を予測するために訓練されたモデルの性能を比較した。
論文 参考訳（メタデータ） (2023-08-30T14:44:04Z) - Diffusion Theory as a Scalpel: Detecting and Purifying Poisonous
Dimensions in Pre-trained Language Models Caused by Backdoor or Bias [64.81358555107788]
事前訓練された言語モデル(PLM)は、微調整プロセス中に疑わしい攻撃者が注入したバックドアやバイアスによって有毒である可能性がある。
本研究では, 拡散理論を応用し, 微調整の動的過程を解明し, 潜在的有毒な次元を見つけるための微細浄化法を提案する。
我々の知識を最大限に活用するために、我々は安全・防衛目的の拡散理論によって導かれる力学を初めて研究する。
論文 参考訳（メタデータ） (2023-05-08T08:40:30Z) - Deep neural networks for fine-grained surveillance of overdose mortality [1.0811639834885345]
薬物や薬物のクラスは、死亡証明書に関する国際疾病分類第10条(ICD-10)コードを通じて特定することができる。
F1スコア99.13%の深層学習名義認識モデルが開発された。
このモデルは、現在の監視ルックアップテーブルに存在しない新しい薬物のミススペルや新しい物質を識別することができる。
論文 参考訳（メタデータ） (2022-02-25T01:04:26Z) - Just How Toxic is Data Poisoning? A Unified Benchmark for Backdoor and
Data Poisoning Attacks [74.88735178536159]
データ中毒は、モデル盗難から敵の攻撃まで、脅威の中で一番の懸念事項だ。
データ中毒やバックドア攻撃は、テスト設定のバリエーションに非常に敏感である。
厳格なテストを適用して、それらを恐れるべき程度を判断します。
論文 参考訳（メタデータ） (2020-06-22T18:34:08Z) - 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。