論文の概要: From Clinical Risk Prediction to Operational Decisions: An Uncertainty-Aware Framework for ICU Staffing

• arxiv url: http://arxiv.org/abs/2610.25530v1
• Date: Sun, 18 Oct 2026 21:00:51 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:05:01.016105
• Title: From Clinical Risk Prediction to Operational Decisions: An Uncertainty-Aware Framework for ICU Staffing
• Title（参考訳）: 臨床リスク予測から手術決定へ: ICU スタッフのための不確実性認識フレームワーク
• Abstract要約: 本研究では,不確実性を考慮した予測型スタッフリングフレームワークを提案する。 上流の予測モデルを変更することなく、短期的な患者のリスク予測とスタッフの計画を橋渡しする。
• 参考スコア（独自算出の注目度）: 1.0492990811532394
• License:
• Abstract: Advances in electronic health records (EHR) and large-scale critical care databases have enabled the development of machine learning models for the early detection of patient deterioration. While these models often achieve strong predictive performance for outcomes such as sepsis and mortality, most studies evaluate them purely on discrimination metrics. This leaves a critical gap: how to systematically translate probabilistic clinical risk estimates into downstream operational decisions under real-world constraints, such as shift rigidity and hiring delays. This study proposes an uncertainty-aware anticipatory staffing framework that bridges short-term patient risk prediction and staff planning without altering the upstream predictive model. Instead of relying on naive deterministic aggregation or fixed safety buffers, the framework explicitly models dynamic predictive uncertainty and evaluates extreme shortage exposure using Conditional Value-at-Risk (CVaR). These aggregated, risk-calibrated demand signals are then embedded into an hourly rolling-horizon scheduling policy to generate delay-constrained staffing decisions. Evaluated on realistic trajectories from the MIMIC-IV database, the proposed framework demonstrates a favorable cost-shortage trade-off compared to deterministic and purely reactive baselines. Pareto frontier analysis illustrates how uncertainty-aware demand construction changes resource allocation under varying safety preferences, while stress testing confirms the framework's operational robustness even when subjected to systematic predictive bias in the form of calibration drift. By formalizing this translation layer, this work provides a principled, transparent pathway for safely integrating probabilistic AI outputs into high-stakes healthcare operational systems.
• Abstract（参考訳）: 電子健康記録(EHR)と大規模医療データベースの進歩は、患者の早期の劣化検出のための機械学習モデルの開発を可能にした。 これらのモデルは、しばしば敗血症や死亡などの結果に対して強い予測性能を達成するが、ほとんどの研究は、判別基準に基づいてそれらを純粋に評価する。 確率的臨床リスク見積を、シフト剛性や採用遅延といった現実の制約の下で、下流の運用決定に体系的に変換する方法。 本研究では、上流予測モデルを変更することなく、短期患者リスク予測とスタッフ計画を橋渡しする不確実性を考慮した予測型スタッフリングフレームワークを提案する。 決定論的アグリゲーションや固定安全バッファに頼る代わりに、このフレームワークは動的予測の不確実性を明示的にモデル化し、条件付きバリュー・アット・リスク(CVaR)を使用して極端な不足露光を評価する。 これらの集約されたリスクキャリブレーションされた需要信号は、時間単位のロールホライゾンスケジューリングポリシーに組み込まれ、遅延制約のある従業員決定を生成する。 提案手法は,MIMIC-IVデータベースのリアルな軌跡から評価し,決定論的および純粋に反応性のあるベースラインと比較して,コスト短絡のトレードオフが良好であることを示す。 パレートフロンティア分析は、不確実性に配慮した需要構築が、様々な安全優先の下で資源配分をどう変えるかを示す一方、ストレステストは、キャリブレーションドリフトの形で体系的な予測バイアスを受ける場合であっても、フレームワークの運用上の堅牢性を確認する。 この翻訳層を形式化することにより、この研究は、確率的AI出力を高レベルの医療運用システムに安全に統合するための、原則化された透明な経路を提供する。

関連論文リスト

• From Static Risk to Dynamic Trajectories: Toward World-Model-Inspired Clinical Prediction [61.12883122613684]
  本稿では, 患者固有の縦断疾患の進展を推定し, 代替治療下での軌跡変化を評価するための, 臨床AIにおける介入認識型疾患軌跡モデリングに焦点をあてる。 3つの意思決定タスク(実測,反実推定,政策評価)と3つのデータ生成機構(障害発生, 治療課題, 観察過程)によって, 識別可能性を決定する。 本稿では,個別/連続時間にまたがる予測,反ファクト的軌跡,政策評価の統一的な枠組みを提案する。
  論文  参考訳（メタデータ） (2026-05-16T10:45:26Z)
• Data-Driven Priors for Uncertainty-Aware Deterioration Risk Prediction with Multimodal Data [11.640422721732756]
  現在の機械学習モデルは、信頼性の高い不確実性推定を欠くことが多く、現実のデプロイメントを妨げる。 病院内リスク予測にマルチモーダルな臨床データを活用する予測不確実性フレームワークであるtextttMedCertAIn$を提案する。 公開データセットであるMIMIC-IVとMIMIC-CXRから,臨床時系列と胸部X線画像を用いて,これらの先行データを用いてモデルを訓練し,評価する。
  論文  参考訳（メタデータ） (2026-03-09T14:54:38Z)
• Diagnostics for Individual-Level Prediction Instability in Machine Learning for Healthcare [0.0]
  2つの相補的診断法を用いて個人レベルの予測不安定性を定量化する評価フレームワークを提案する。 これらの診断をシミュレーションデータとGUSTO-I臨床データセットに適用する。
  論文  参考訳（メタデータ） (2026-02-27T03:42:28Z)
• Calibrated Bayesian Deep Learning for Explainable Decision Support Systems Based on Medical Imaging [6.826979426009301]
  モデルが予測精度と相関する方法で不確実性を定量化し、臨床医がさらなるレビューのために信頼できないアウトプットを特定できることが不可欠である。 本稿では,ベイズ深層学習に基づく一般化可能な確率的最適化フレームワークを提案する。 特に、信頼性・不確実性境界損失(CUB-Loss)が新しく導入され、高い精度の誤差と低い精度の正確な予測に罰則が課せられる。 提案手法は, 肺炎の自動スクリーニング, 糖尿病性網膜症検出, 皮膚病変の同定という, 3つの異なる医用画像処理課題に対して検証された。
  論文  参考訳（メタデータ） (2026-02-12T14:03:41Z)
• Building Safe and Deployable Clinical Natural Language Processing under Temporal Leakage Constraints [39.44014654945035]
  本研究は, 時間的リーク制約の下で安全かつデプロイ可能なNLPを構築するために必要なシステムレベルの設計選択に焦点を当てた。 モデル開発プロセスに解釈可能性を統合する軽量な監査パイプラインを提案し,最終訓練前の漏洩信号の同定と抑制を行う。 その結果, 監査されたモデルの方が, より保守的でキャリブレーションのよい推定値を示し, 放電関連語彙的手がかりへの依存度を低下させることがわかった。
  論文  参考訳（メタデータ） (2026-01-24T01:46:46Z)
• Stable Prediction of Adverse Events in Medical Time-Series Data [18.92202613147342]
  早期事象予測(EEP)システムは、臨床意思決定を支援するための患者の差し迫ったリスクを継続的に見積もる。 本稿では,マルチモーダル入力EHR,ECG波形,臨床テキストを用いたEEPベンチマークであるCAREBenchを紹介する。 本稿では,患者ごとの短期変動を定量化し,局所リプシッツ定数に基づいて急激な振動をペナリゼーションする安定性指標を提案する。
  論文  参考訳（メタデータ） (2025-10-16T04:16:54Z)
• Preliminary Investigation into Uncertainty-Aware Attack Stage Classification [81.28215542218724]
  この研究は、不確実性の下での攻撃段階推論の問題に対処する。 Evidential Deep Learning (EDL) に基づく分類手法を提案し、ディリクレ分布のパラメータを可能な段階に出力することで予測の不確実性をモデル化する。 シミュレーション環境における予備実験により,提案モデルが精度良く攻撃の段階を推定できることが実証された。
  論文  参考訳（メタデータ） (2025-08-01T06:58:00Z)
• 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)
• DEUP: Direct Epistemic Uncertainty Prediction [56.087230230128185]
  認識の不確実性は、学習者の知識の欠如によるサンプル外の予測エラーの一部である。 一般化誤差の予測を学習し, aleatoric uncertaintyの推定を減算することで, 認識的不確かさを直接推定する原理的アプローチを提案する。
  論文  参考訳（メタデータ） (2021-02-16T23:50:35Z)
• Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
  臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。 退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。 複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
  論文  参考訳（メタデータ） (2021-02-08T10:26:44Z)
• 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)

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。