論文の概要: Cost-based variable selection for prediction models

• arxiv url: http://arxiv.org/abs/2610.37353v1
• Date: Tue, 27 Oct 2026 14:54:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.666438
• Title: Cost-based variable selection for prediction models
• Title（参考訳）: 予測モデルのためのコストベース変数選択
• Abstract要約: 我々は,ネットの利益に基づく決定分析変数選択アルゴリズムの開発を目指している。 提案アルゴリズムは,全ての組み合わせの純利益を網羅的に比較することにより,予測器の集合を選択する。
• 参考スコア（独自算出の注目度）: 0.5277024349608833
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Objective: Variable selection for clinical prediction models is commonly done on statistical grounds related to model fit. Statistical approaches ignore the cost of misclassifications and the harm of measuring a variable. We aim to develop a decision-analytic variable selection algorithm based on net benefit. Materials and Methods: The proposed algorithm selects the set of predictors by exhaustively comparing the net benefit of all combinations using cross validation, with an extension based on backward elimination for settings with many predictors. Variables are selected if the increased net benefit from better predictiveness exceeds the net benefit reduction from the harm of variable measurement. Harm includes financial expense, time, resource allocation, and patient burden. We illustrate the algorithm through a simulated example and three real case studies. We compare its performance to traditional backward elimination and LASSO. Results: Across the case studies, parsimonious models were generated that optimized clinical utility with minimal impact on discrimination and calibration. Penalizing predictors based on their cost ensured that expensive or burdensome variables were only selected if they offer sufficient clinical utility. The algorithm was implemented in the R package NBvarsel. Discussion: Decision-analytic variable selection allows prediction models to maximize patient benefit while minimizing unnecessary clinical burden and costs. Conclusion: Clinical utility should not be an afterthought reserved only for implementation. By integrating a harm-adjusted net benefit metric directly into the variable selection process, NBvarsel allows researchers to select only the variables that sufficiently improve clinical utility.
• Abstract（参考訳）: 目的: 臨床予測モデルに対する可変選択は、一般的に、モデル適合に関する統計的根拠に基づいて行われる。 統計的アプローチは、誤分類のコストと変数の測定の害を無視する。 我々は,ネットの利益に基づく決定分析変数選択アルゴリズムの開発を目指している。 材料と方法: 提案アルゴリズムは,クロスバリデーションを用いた全ての組み合わせの純利益を,多くの予測器を用いた設定の後方除去に基づく拡張と総括的に比較することにより,予測器の集合を選択する。 予測性の向上による純利益の増大が、変動測定の害による純利益の低減を超えると、変数が選択される。 ハームには財政費、時間、資源配分、患者の負担が含まれる。 シミュレーション例と実ケーススタディの3つの例を通して,このアルゴリズムを解説する。 従来の後方除去法とLASSOとの比較を行った。 結果: 本症例では, 識別と校正に最小限の影響を伴い, 臨床応用を最適化したパシモニアスモデルを作成した。 コストに基づいて予測器を罰することで、十分な臨床的効用を提供する場合にのみ、高価な変数や負担のかかる変数が選択されることが保証された。 このアルゴリズムはRパッケージのNBvarselで実装された。 考察: 決定分析変数選択は、不必要な臨床負担とコストを最小化しながら、患者の利益を最大化する予測モデルを可能にする。 結論: 臨床効用は, 実施のためにのみ留置された後遺症であってはならない。 NBvarselは、調和調整ネットベネフィット指標を直接変数選択プロセスに統合することにより、研究者が臨床効果を十分に改善する変数のみを選択できるようにする。

関連論文リスト

• Subdata Selection for Measurement-Constrained Linear Regression under Model Misspecification [9.640281795954989]
  我々は,線形回帰のための新しいサブセット選択フレームワークを開発し,潜在的なモデルの不特定を許容する。 我々はこの手法を期待された損失最適選択(ELOS)と呼ぶ。 シミュレーション研究と実データ応用により、ELOSは強い予測性能を達成し、様々なシナリオにおいて既存の手法と良好に比較できることを示した。
  論文  参考訳（メタデータ） (2026-10-14T00:49:07Z)
• Linear Models, Variable Selection, Artificial Intelligence [0.0]
  この研究は、モデル選択に対する人工知能のアプローチを導入している。 ANNは、OLS推定に基づいて変数の重要度を決定するために訓練される。 このアプローチは、World Health Organizationのライフサプライチェーンに関するデータセットを使用して説明されている。
  論文  参考訳（メタデータ） (2026-04-29T20:50:19Z)
• AutoElicit: Using Large Language Models for Expert Prior Elicitation in Predictive Modelling [53.54623137152208]
  我々はAutoElicitを導入し、大規模言語モデルから知識を抽出し、予測モデルのための事前構築を行う。 これらの先行情報は情報的であり、自然言語を用いて洗練できることを示す。 AutoElicitは、非形式的な事前よりもエラーを大幅に減らし、ラベルを減らし、コンテクスト内学習を一貫して上回ります。
  論文  参考訳（メタデータ） (2024-11-26T10:13:39Z)
• ASPEST: Bridging the Gap Between Active Learning and Selective Prediction [56.001808843574395]
  選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。 アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。 本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
  論文  参考訳（メタデータ） (2023-04-07T23:51:07Z)
• Adaptive Selection of the Optimal Strategy to Improve Precision and Power in Randomized Trials [2.048226951354646]
  精度を最大化するために、どの変数とどの形式で調整アプローチを選択するかを示す。 このアプローチは、(nullの下で)Type-Iエラー制御を維持し、精度を大幅に向上させる。 実データに適用すると、全体およびサブグループ内で有意義な効率改善が見られる。
  論文  参考訳（メタデータ） (2022-10-31T16:25:38Z)
• Increasing the efficiency of randomized trial estimates via linear adjustment for a prognostic score [59.75318183140857]
  ランダム化実験による因果効果の推定は臨床研究の中心である。 歴史的借用法のほとんどは、厳格なタイプiエラー率制御を犠牲にして分散の削減を達成する。
  論文  参考訳（メタデータ） (2020-12-17T21:10:10Z)

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。