논문 ID: 2020.10337

Multiple Predictively Equivalent Risk Models for Handling Missing Data at Time of Prediction: with an Application in Severe Hypoglycemia Risk Prediction for Type 2 Diabetes

Sisi Ma, Pamela J. Schreiner, Elizabeth R. Seaquist, Mehmet Ugurbil, Rachel Zmora, Lisa S. Chow

제출 2020-01-25

원문 초록

The presence of missing data at the time of prediction limits the application of risk models in clinical and research settings. Common ways of handling missing data at the time of prediction include measuring the missing value and employing statistical methods. Measuring missing value incurs additional cost, whereas previously reported statistical methods results in reduced performance compared to when all variables are measured. To tackle these challenges, we introduce a new strategy, the MMTOP algorithm (Multiple models for Missing values at Time Of Prediction), which does not require measuring additional data elements or data imputation. Specifically, at model construction time, the MMTOP constructs multiple predictively equivalent risk models utilizing different risk factor sets. The collection of models are stored and to be queried at prediction time. To predict an individual’s risk in the presence of incomplete data, the MMTOP selects the risk model based on measurement availability for that individual from the collection of predictively equivalent models and makes the risk prediction with the selected model. We illustrate the MMTOP with severe hypoglycemia (SH) risk prediction based on data from the Action to Control Cardiovascular Risk in Diabetes (ACCORD) study. We identified 77 predictively equivalent models for SH with crossvalidated c-index of 0.77±0.03. These models are based on 77 distinct risk factor sets containing 12-17 risk factors. In terms of handling missing data at the time of prediction, the MMTOP outperforms all four tested competitor methods and maintains consistent performance as the number of missing variables increase.

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2607.06111v1eess.SY공통 태그 Prediction, Imputation

신뢰할 수 있는 산업 공정 추론을 위한 대규모 언어 모델 기반 측정 신뢰도 보정

LLM-Guided Measurement Credibility Correction for Trustworthy Industrial Process Inference

산업 예측과 소프트 센싱(soft sensing)은 신뢰할 수 있는 입력 측정값에 의존한다. 현장 배포 환경에서 예측기는 편향되거나, 지연되거나, 오래되었거나, 파생된 측정값을 수신할 수 있으며, 이러한 측정값들은 여전히 그럴듯하게 보일 수 있다. 입력 윈도우가 더 이상 실제 공정을 대표하지 않기 때문에, 예측 백본(forecasting backbone)이 주된 한계가 되기 전에 예측이 실패할 수 있다. 센서 재구성, 데이터 조정(data reconciliation), 결함 허용 소프트 센싱은 이 위험을 줄이지만, 이들은 종종 수치적 상관관계, 경보, 결함 레이블, 또는 명시적인 공정 방정식에 의존한다. 이러한 가정들이 항상 가용한 것은 아니다. 변수들이 계측기, 파생 수식, 소프트 센싱 체인, 또는 제어 동작을 공유하는 경우, 상관된 변수도 안전하지 않은 참조가 될 수 있다. 핵심 과제는 예측 전에 어떤 외부 측정값이 현재 측정값을 신뢰할 수 있게 뒷받침할 수 있는지를 결정하는 것이다. 이 문제를 해결하기 위해, 본 논문은 대규모 언어 모델(LLM) 기반 측정 신뢰도 보정(LLM-Guided Measurement Credibility Correction, MCC)을 제안한다. MCC는 공정 문서에 있는 측정값의 의미를 수치 모델이 활용할 수 있는 측정 의미론(measurement semantics)으로 변환한다. 의미론적으로 검증된 외부 측정값으로부터 독립적인 공정 참조값을 구축하고, 예측 전에 지역적 측정값 충돌을 보정한다. 따라서 예측기는 더 신뢰할 수 있는 입력 윈도우를 수신하게 된다. 여러 복잡한 산업용 예측 및 소프트 센싱 과제에 걸쳐, +MCC는 실제 테스트 프로토콜에서 평균 상대 MAE를 30.7%, 제어된 오염 프로토콜에서 80.3% 감소시킨다. 0.5~2.0k의 온라인 파라미터만 추가되며, 가장 느린 +MCC 추론 시간은 0.089 ms/스텝이다. 이러한 결과는 측정 의미론이 공정 문서를 경량의 추론 전 신뢰도 보정 수단으로 전환하고 예측 정확도를 향상시킬 수 있음을 보여준다.

arXiv:2607.02938v1cs.LG공통 태그 Prediction, Imputation

결측을 신호로: 임상 시계열 예측을 위한 채널 독립 스펙트로그램 학습

Missingness as Signal: Channel-Independent Spectrogram Learning for Clinical Time Series Prediction

집중치료실에서의 임상 시계열 예측은 이질적인 생리학적 변수와 정보적 결측(informative missingness)으로 인해 여전히 어려운 과제이다. 측정값의 존재 또는 부재는 임상적 의사결정과 환자 중증도를 반영할 수 있으며, 따라서 결측은 단순한 데이터 아티팩트가 아닌 예측 신호로 기능할 수 있다. 본 연구는 임상 다변량 시계열 예측을 위한 결측 스트림을 갖춘 채널 독립 스펙트로그램 프레임워크인 CISM을 제안한다. CISM은 각 임상 변수를 변수별 시간-주파수 스펙트로그램으로 변환하고, 변수 정렬 인코딩(variable-aligned encoding)을 통해 변수 정체성을 보존하며, 명시적 결측 스트림을 스펙트로그램 표현과 정렬한다. MIMIC-IV에서 도출된 원내 사망률 태스크에 대한 실험 결과, CISM은 비교 대상인 시계열, 결측 인식, 비전, 시간-주파수 기반선 중 가장 높은 평균 AUROC(0.7225), AUPRC(0.3308), F1(0.3808)을 달성하였다. ablation 연구에서는 관측 패턴이 의미 있는 정보 신호를 제공함을 추가로 보여준다. 픽셀 수준 마스크 주입(pixel-level mask injection)은 일반 스펙트로그램 입력 대비 성능을 향상시키며 이러한 예측 가치의 상당 부분을 회복한다. 정렬된 결측 스트림은 AUROC와 AUPRC 모두에서 추가적이고 보완적인 성능 향상에 기여한다. 이러한 결과는 임상 시계열 예측에서 관측 패턴을 구조화된 신호로 모델링하는 것의 중요성을 부각한다.

arXiv:2606.30398v1cs.AI공통 태그 Prediction, Imputation

ENC-ODE: 신경 ODE를 이용한 연속 시간에서의 이벤트 수준 신경퇴행 모델링

ENC-ODE: Event-level Neurodegenerative Modeling in Continuous Time with Neural ODEs

알츠하이머병과 같은 신경퇴행성 질환의 조기 진단 및 관리를 위해서는 임상 바이오마커의 시간적 변화를 정확하게 예측하는 것이 중요하다. 그러나 이는 시간에 따른 바이오마커 변화를 포착하기 위한 종단 데이터(longitudinal data)에 의존하는데, 높은 비용, 노동 집약적 특성, 환자 부담으로 인해 데이터가 희소하고 불규칙한 경우가 많다. 이러한 문제를 해결하기 위해, 우리는 신경 상미분방정식(Neural Ordinary Differential Equation)을 이용한 연속 시간 기반 이벤트 수준 신경퇴행 모델링인 ENC-ODE를 제안한다. ENC-ODE는 진단 조건부 연속 역학을 통해 임상 이벤트를 모델링함으로써 미래 바이오마커 변화를 예측한다. 타겟 조건부 어텐션 메커니즘은 이력 압축 없이 타겟 시간 및 모달리티에 대한 이벤트 수준 예측을 가중치 부여하고 집계한다. Alzheimer's Disease Neuroimaging Initiative (ADNI) 데이터셋에 대한 광범위한 실험을 통해, ENC-ODE가 대표적인 시퀀스 모델들을 능가하며 임상 지원을 위한 확장 가능하고 신경과학적으로 근거 있는 솔루션을 제공함을 입증하였다. 코드는 https://github.com/JardinDelSol/enc-ode 에서 확인할 수 있다.

arXiv:2609.27144v2cs.LG공통 태그 Prediction

미관측 교란 변수에 강건한 위험 점수 학습

Learning Risk Scores Robust to Unobserved Confounders

미관측 교란의 영향을 받는 역사적 관찰 데이터로부터, 희소 자원이나 개입 대상 개인의 우선순위를 정하기 위한 위험 점수를 학습하는 문제를 다룬다. 누가 희소 자원을 받을지에 대한 결정은 설문 응답과 같이 기록된 특성에 기반한 위험 점수에 의해 종종 안내된다. 이러한 위험 점수는 개인의 특성, 배분 결정, 결과에 대한 역사적 기록인 관찰 데이터로부터 직접 학습되는 경우가 점점 늘고 있다. 역사적 배분 정책이 도입한 바이어스를 보정하는 역 성향 가중치(inverse propensity weighting, IPW)와 같은 표준 방법은, 역사적 결정 과정이 기록된 특성으로 완전히 설명될 수 있다면 정확한 위험 점수를 학습하는 데 사용될 수 있다. 그러나 실무에서는 역사적 결정이 종종 기록되지 않은 정보에 의존하여, 학습된 위험 점수가 과거 우선순위를 이끌었던 기록되지 않은 상황을 가진 개인들을 정확히 체계적으로 과소 우선순위화하게 만든다. IPW를 기반으로, 이러한 종류의 미관측 교란에 강건한 위험 점수를 학습하는 방법을 제안한다. 미관측 교란 하에서는 성향 가중치를 신뢰할 수 있게 추정할 수 없으므로, 대신 관측 가능한 데이터와 교란 정도에 대한 도메인 정보 기반 추정치로 결정되는 불확실성 집합에 속하는 것으로 취급하며, 인과 추론(causal inference)의 민감도 분석(sensitivity analysis)과 Wasserstein 분포적 강건 최적화(Wasserstein distributionally robust optimization)를 결합한다. 그 결과 강건 위험 점수 학습 문제는 표본 기반 근사를 허용하며, 이를 기성 솔버와 호환되는 지수 원뿔 프로그램(exponential cone program)으로 재공식화한다. UCI Machine Learning Repository의 데이터셋에서 파생된 반합성(semi-synthetic) 데이터에서 접근법의 효과를 입증한다. 제안 방법은 다른 지표를 손상하지 않으면서, 전통적 벤치마크 대비 보정(calibration)을 최대 29.2%까지, 최신(state of the art) 대비 최대 11.1%까지 개선한다.

arXiv:2610.13350v1cs.LG공통 태그 Imputation

임상 머신러닝에서의 숨겨진 데이터 문제

Hidden Data Challenges in Clinical Machine Learning

전자의무기록(EHR)에 널리 재사용되는 전처리 파이프라인은 정보가 언제 사용 가능해졌는지, 레이블이 어떤 임상 에피소드를 나타내는지, 그리고 결측(missingness)이 무엇을 의미하는지에 대한 가정을 내재할 수 있다. 이러한 가정은 체계적으로 검증되는 경우가 드물며, 전처리 파이프라인이 재사용되거나 변형될 때 후속 연구들로 전파될 수 있다. 우리는 MIMIC-IV를 사례 연구로 사용하여, 전처리 정합성(alignment)의 세 가지 상호보완적 형태—시간적(temporal), 의미적(semantic), 모집단(population) 정합성—에 대한 위반을 식별하고 정량화하며, 이는 시간적 유출(temporal leakage), 특징-과제 불일치(feature-task misalignment), 편향된 결측치 대체(biased imputation)로 나타난다. 우리는 타임스탬프 의미론, 에피소드 정의, 엔드포인트 구성, 모달리티 선택, 결측치 처리 방식의 모호성이 모델이 이용할 수 있는 정보를 어떻게 바꾸고 그 예측의 해석에 어떻게 영향을 미치는지를 보여준다. MIMIC-IV 데이터 분석과 실증적 사례 연구를 통해, 우리는 이러한 선택들이 집계된 예측 성능(aggregate predictive performance)에서는 대체로 드러나지 않으면서도 모델이 의존하는 신호(signal)는 변화시킬 수 있음을 입증한다. 우리는 MIMIC-IV 및 관련 전자의무기록 데이터셋에 대해 시간적으로 유효하고, 임상적으로 정합하며, 재현 가능한 전처리를 위한 실용적인 권고안을 도출한다. 제안하는 전처리를 포함한 실험 코드는 https://github.com/m2l-lab/mimic-iv-preprocess 에서 확인할 수 있다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.