論文の概要: When Copying Is Hard to Beat: A Negative Result in Clinical Assessment Forecasting
- arxiv url: http://arxiv.org/abs/2611.18142v1
- Date: Fri, 13 Nov 2026 13:13:07 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-16 19:30:49.408266
- Title: When Copying Is Hard to Beat: A Negative Result in Clinical Assessment Forecasting
- Title(参考訳): クリニカルアセスメント予測における否定的な結果
- Abstract要約: 29,715 ICUのデイペアの45項目を患者に解離した分割で予測し、生理的インフォームドゲートモデルにより1ライン臨床規則を+0.0019[+0.0006,+0.0031]で改善し、精度は低下する。
- 参考スコア(独自算出の注目度): 6.987854445546589
- License:
- Abstract: We report a negative result in next-day clinical assessment forecasting: the evaluated models show no consistent advantage over strong persistence-based baselines. Clinicians can view the previous day's questionnaire answers, a plausible source of documentation persistence. Predicting 45 items on 29,715 ICU day-pairs with patient-disjoint splits, a physiology-informed gated model improves item-macro-F1 over a one-line clinical rule by +0.0019 [+0.0006,+0.0031], while losing accuracy. No macro-F1 advantage is established when the physiology window ends at the previous form's reference time (+0.0001 [-0.0006,+0.0008]), or when scoring excludes the 68.5% of cells derived from parent answers; combining both changes yields a small disadvantage. Four checkpoints across three families underperform persistence, and a fine-tuned one differs from it on only two cells. A categorical read-out raises changed-cell accuracy eightfold, but a state-only read-out scores higher overall than forecast-only decoding and matches a transition matrix. This negative result highlights how the documentation process, input cutoff, observation mask and decoding rule shape conclusions about forecasting recorded assessments.
- Abstract(参考訳): 評価モデルでは, 強い持続性ベースラインに対する一貫した優位性は示されていない。
臨床医は前日の質問に対する回答を見ることができる。
29,715 ICUのデイペアの45項目を患者に解離した分割で予測し、生理的インフォームドゲートモデルにより1ライン臨床規則を+0.0019[+0.0006,+0.0031]で改善し、精度は低下する。
生理的ウィンドウが前の形態の基準時刻(+0.0001[-0.0006,+0.0008])で終わるとき、またはスコアリングが親の回答から得られる細胞の68.5%を除外するとき、マクロF1の利点は確立されない。
3つのファミリーにまたがる4つのチェックポイントは持続性を低下させ、微調整された1つのチェックポイントは2つの細胞で異なる。
カテゴリー別読み出しは変更セル精度を8倍に向上させるが、状態のみ読み出しスコアは予測のみの復号よりも総合的に高く、遷移行列と一致する。
この否定的な結果は、記録されたアセスメントの予測について、ドキュメンテーションプロセス、入力カットオフ、観察マスク、復号化ルール形状の結論をどのように示すかを強調している。
関連論文リスト
- Can the Remaining Answers Change the Prediction? Worst-Case Stability Checks for Personalized Rating Models [1.0079626733116611]
ミス評価はパーソナライズされたモデルの現在の予測を覆す可能性がある。
追加応答スコアを持つ完了モデルの場合、正確な最悪のケースバウンドは、現在の予測子を変更することなく、すべての欠落した割り当てをチェックする。
我々は,この監査を,2つの自己調査コホート,108人の臨床医が3回の模擬精神科面接,126回のカウンセリングデモで振り返って評価した。
論文 参考訳(メタデータ) (2026-11-09T01:16:45Z) - ICare-DT: a digital twin for continuous forecasting of intensive care patients [2.55988869140627]
集中治療患者のデジタル双生児は、新しいデータから予測を更新し、治療反応を予測する必要がある。
ICare-DT (Transformer-based twin, ICare-DT) を提案する。
140,473回のeICU-CRD滞在でトレーニングを行い、トレーニングセットの手段を横断するバイタルサインを予測しました。
論文 参考訳(メタデータ) (2026-11-06T16:55:37Z) - Ranking-Aware Prompt Optimization for Multimodal Clinical Diagnosis [18.359901080884637]
AUROC(しきい値なしスコア)の評価と最適化を行った。
MIMIC上の3つの疾患のうち、精度に基づくプロンプト進化はランキングを低下させる可能性がある。
本手法は,テキストのみのデータから多モーダルな臨床的意思決定へ,即時的な進化を延長する。
論文 参考訳(メタデータ) (2026-09-30T17:59:56Z) - Curriculum-Aware Interpolate-then-Refine: Learned Physiological Time-Series Imputation under Realistic Missingness [39.80184723814808]
臨床データに侵入する欠如に対処するためには、生理学的な時系列が不可欠である。
あるベンチマークによれば、単純な線形計算は、現実的なギャップを持つ実世界の臨床信号において、すべての学習されたインプタよりも優れていた。
これは、一般的なインプットが無視する生理的欠如の2つの特性を反映していることを示す。
論文 参考訳(メタデータ) (2026-08-21T15:21:36Z) - Selective Prediction and Uncertainty-Aware Referral for Pap Smear Classification [3.093890460224435]
本稿では,Herlev Papスミアデータセットの選択的予測と不確実性を考慮した参照について検討する。
ImageNet-pretrained weights with weighted random samples, and two light transformer backbones are fine-tuned on Herlev from ImageNet-pretrained weights with weighted random sample。
統計的に有意な差は認められなかった。
論文 参考訳(メタデータ) (2026-07-15T05:47:31Z) - Representation Before Training: A Fixed-Budget Benchmark for Generative Medical Event Models [0.3250525349446657]
我々は,表現決定が1世紀前の事前学習予算の共有後の下流予測にどのように影響するかを評価する。
我々はMIMIC-IVで28個の整形トランスを訓練し,30個の臨床結果について評価した。
論文 参考訳(メタデータ) (2026-04-18T01:38:47Z) - Benchmarking Multi-turn Medical Diagnosis: Hold, Lure, and Self-Correction [72.89352076103889]
大規模言語モデル (LLM) は, 臨床情報がすべて一ターンで提供される場合に, 高い精度で診断を行う。
1,035例からなる高忠実多ターン診断ベンチマークであるMINTを導入する。
診断決定に大きな影響を及ぼす3つの永続的な行動パターンを明らかにする。
論文 参考訳(メタデータ) (2026-04-06T00:23:10Z) - Transparent Early ICU Mortality Prediction with Clinical Transformer and Per-Case Modality Attribution [42.85462513661566]
ICU滞在後48時間から, 生理的時系列測定と非構造的臨床記録とを融合した, 軽量で透明なマルチモーダルアンサンブルを提案する。
ロジスティック回帰モデルは、バイタル用双方向LSTMとノート用微調整された臨床ModernBERT変換器の2つのモード固有モデルからの予測を組み合わせる。
MIMIC-IIIベンチマークでは、遅延融合アンサンブルは、よく校正された予測を維持しながら、最高の単一モデルに対する差別を改善する。
論文 参考訳(メタデータ) (2025-11-19T20:11:49Z) - MeCaMIL: Causality-Aware Multiple Instance Learning for Fair and Interpretable Whole Slide Image Diagnosis [40.3028468133626]
MIL(Multiple Case Learning)は、コンピュータ病理学における全スライド画像(WSI)解析の主流パラダイムとして登場した。
因果関係を意識したMILフレームワークである textbfMeCaMIL は、構造化因果グラフを通じて、階層的共同創設者を明示的にモデル化する。
MeCaMILは優れた公正性を達成する -- 人口格差の分散は、属性全体の平均で65%以上減少する。
論文 参考訳(メタデータ) (2025-11-14T06:47:21Z) - Clinical Uncertainty Impacts Machine Learning Evaluations [40.773483049446426]
機械学習評価は, 直接分布に作用する確率的指標を用いて, アノテーションの不確かさを明示的に考慮すべきである,と論じる。
我々は、データセットの生アノテーションをコミュニティに公開し、パフォーマンス推定が臨床データをよりよく反映できるように、不確実性を考慮した評価を採用するよう促す。
論文 参考訳(メタデータ) (2025-09-26T11:56:58Z) - Ensemble model for pre-discharge icd10 coding prediction [45.82374977939355]
正確なコード予測のための複数の臨床データソースを組み込んだアンサンブルモデルを提案する。
平均精度は0.73および0.58、F1スコアは0.56および0.35、患者および外来データセットの主診断予測では0.71および0.4のマルチラベル分類精度を得る。
論文 参考訳(メタデータ) (2020-12-16T07:02:56Z)
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。