arXiv:2609.22959v1 cs.AI

R-GEAN: 입원 기간 내 투약 변경 예측을 위한 요법 기반 편집 행동 네트워크

R-GEAN: Regimen-Guided Edit Action Network for Within-Admission Medication Change Prediction

Regan Mahat, Mansu Kim

제출 2026-09-22

한국어 초록

환자에게 처방되는 약물은 임상의가 치료를 시작, 중단 또는 지속함에 따라 입원 기간 동안 자주 변경됩니다. 본 연구에서는 입원 후 24시간 시점과 퇴원 시점 사이에 어떤 약물 분류가 추가되거나 제거되는지를 모델이 예측할 수 있는지 살펴봅니다. 완전한 퇴원 투약 요법(regimen)을 비교하는 지표는 모델이 실제 변경 사항을 전혀 식별하지 못하더라도 변경되지 않고 유지되는 약물을 그대로 복사하는 것에 대해 보상(reward)을 줄 수 있습니다. 따라서 우리는 이전에 완료된 입원 기록과 현재 입원 후 첫 24시간 이내에 이용 가능한 정보만을 사용하여 순(net) ATC3 추가 및 제거를 예측하는 정보 누출이 통제된 벤치마크(benchmark)를 도입합니다. 추가 후보는 24시간 시점에 활성화되지 않은 분류이며, 제거 후보는 해당 시점에 활성화된 분류입니다. 또한 독립적인 추가 및 제거 예측기를 갖춘 비대칭 후보 점수화 네트워크인 R-GEAN을 제안합니다. 82,286명의 환자로부터 얻은 240,480건의 입원 데이터 전반에서, R-GEAN은 편집 복합 지표(edit composite, 0.464)로 명명된 사전 정의된 추가, 제거, 변경 요법 및 행동 패턴 성능 요약값에서 최고치를 달성하였으며, 이는 가장 강력한 주요 비교 대상의 0.435와 대비됩니다. 재구현된 RETAIN, GAMENet, MICRON 기준선(baseline)은 각각 0.428, 0.420, 0.288을 기록했습니다. R-GEAN의 강점은 퇴원 시점에 더 이상 활성화되지 않는 약물 분류를 올바르게 식별하는 데 집중되어 있는 반면, 드물게 발생하는 추가 및 여러 약물 변경이 수반되는 입원은 여전히 어려운 과제로 남아 있습니다. 재구성된 퇴원 요법에 대한 micro-F1 기반 순위와 편집 복합 지표 기반 순위는 평가된 모델 전반에서 약한 상관관계(Spearman r = 0.20)를 보였습니다. 지속(continuation) 기준선은 추가나 제거를 전혀 예측하지 않았음에도 가장 높은 완전 요법 점수를 달성했습니다. 이러한 결과는 완전 요법 평가와 편집 수준 평가가 약물 예측의 서로 다른 측면을 측정함을 보여줍니다. 해당 벤치마크는 관찰된 처방 변경을 평가하며, 치료의 적절성을 평가하지는 않습니다.

원문 초록

The medications prescribed to a patient often change during a hospital admission as clinicians start, stop, or continue therapies. We study whether models can predict which medication classes are added or removed between 24 hours after admission and discharge. Metrics that compare the complete discharge regimen can reward models for copying medications that remain unchanged, even when they identify no actual changes. We therefore introduce a leakage-controlled benchmark that predicts net ATC3 additions and removals using only prior completed admissions and information available within the first 24 hours of the current admission. Addition candidates are classes not active at 24 hours, whereas removal candidates are classes active at that time. We also introduce R-GEAN, an asymmetric candidate-scoring network with independent addition and removal predictors. Across 240,480 admissions from 82,286 patients, R-GEAN achieves the highest predefined summary of addition, removal, changed-regimen, and action-pattern performance, termed the edit composite (0.464), compared with 0.435 for the strongest primary comparator. Reimplemented RETAIN, GAMENet, and MICRON baselines obtain 0.428, 0.420, and 0.288, respectively. R-GEAN's advantage is concentrated in correctly identifying medication classes no longer active at discharge, while rare additions and admissions with multiple medication changes remain difficult. Rankings based on micro-F1 over the reconstructed discharge regimen and the edit composite correlate weakly across the evaluated models (Spearman r = 0.20). The continuation baseline achieves the highest complete-regimen score despite predicting no additions or removals. These results show that complete-regimen and edit-level evaluation measure different aspects of medication prediction. The benchmark evaluates observed prescribing changes, not treatment appropriateness

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2609.22959v1제출 시각 미확인

함께 살펴볼 논문

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

arXiv:2610.13435v1cs.LG공통 태그 Time Series Analysis, Benchmarking

PPG-Bench: PPG 파운데이션 모델을 위한 통합 벤치마크

PPG-Bench: A Unified Benchmark for PPG Foundation Models

광용적맥파(Photoplethysmography, PPG)는 웨어러블 및 임상 기기에서 점점 더 대규모로 기록되고 있으며, 다양한 다운스트림 작업을 위한 재사용 가능한 표현을 계산하기 위해 점점 더 많은 PPG 파운데이션 모델(FM)이 개발되고 있다. 이러한 모델들은 서로 비교하기 어려운데, 평가마다 서로 다른 데이터셋, 작업 정의, 전처리, 다운스트림 헤드, 하이퍼파라미터 튜닝, 기준선을 사용하기 때문이다. 우리는 5개의 공개 PPG FM을 9개의 오픈 액세스 데이터셋과 심혈관 상태 추정, 활동, 수면, 스크리닝, 식별에 걸친 26개 작업에 대해 평가하는 통합 오픈소스 벤치마크인 PPG-Bench를 제시한다. 우리는 적응성이 점차 증가하는 네 가지 다운스트림 체제(선형 프로빙, 랜덤 포레스트, 고정된 MLP 프로브, 엔드-투-엔드 파인튜닝) 하에서 모델별 하이퍼파라미터 최적화와 피험자 분리 교차검증을 적용하여 모델을 평가한다. 우리는 또한 세 가지 대조군, 즉 무작위/상수 기준선, 결정론적 맥박률 변동성(pulse-rate-variability, PRV) 특징 집합, 범용 시계열 FM(MOMENT)과 비교하여 평가한다. 68개의 작업-체제 조합 전체에서 35.3%는 무작위/상수 기준선 대비 FM의 유의미한 이점을 보이지 않았으며, 83.8%에서는 어떤 PPG 전용 FM도 PRV와 MOMENT를 모두 능가하지 못했다. 또한 다운스트림 헤드의 용량을 추가하면 일반적으로 성능이 향상되지만, 모델이 무작위 수준/상수 수준에서 동작하는 경우에는 상당한 성능 저하를 유발할 수 있음을 발견했다. 따라서 현재의 PPG FM은 아직 PPG 신호에 대한 일반화되고 전이 가능한 표현을 제공한다고 주장할 수 없으며, 이 분야의 향후 평가에는 단순하고 학습되지 않은 대조군에 대한 검증이 포함되어야 한다. 벤치마크 코드와 추가 모델 평가 방법은 다음에서 확인할 수 있다 - https://github.com/mannas-ai/ppg-bench.

arXiv:2610.13644v1cs.LG공통 태그 Classification, Benchmarking

SelectArena: 실제 환경 정형 데이터를 위한 특징 선택 현대적 벤치마크

SelectArena: A Modern Benchmark for Feature Selection on Real-world Tabular Data

정형 데이터셋(tabular dataset)에서 특징(특성/열)의 하위 집합을 선택하는 것은 실제 응용 분야 전반에서 흔히 마주하는 과제입니다. 산업계 전문가들은 모델 학습(training) 비용을 최소화하고자 하며, 기후 과학자들은 극단적 기상 현상을 이해하기 위해 해석 가능한 요인들의 부분집합을 필요로 하고, 임상의들은 비용 및 시간 제약으로 인해 진단 검사 항목 중 일부를 선택해야 합니다. 어떤 특징 선택(feature selection) 방법을 사용해야 할지 결정하기 위해 학술 문헌을 살펴볼 때, 다양한 분야의 실무자들은 실제 현실을 제대로 반영하지 못하는 벤치마킹 환경과 마주하게 됩니다. 광범위한 연구에도 불구하고, 기존 특징 선택 벤치마크들은 구식 모델, 임시방편적 평가(evaluation) 프로토콜, 또는 실제 문제를 반영하지 못하는 인위적으로 생성된 데이터에 의존하여 유용한 지침을 제공하는 데 한계가 있었습니다. 이러한 과학적 벤치마킹과 실제 응용 사이의 격차를 해소하기 위해, 본 연구에서는 현대적인 특징 선택 벤치마크인 SelectArena를 소개합니다. 본 논문에서는 분류(classification) 및 회귀 문제를 포괄하는 엄선된 71개의 실제 정형 데이터셋을 대상으로, 표준화된 평가 프로토콜과 최신 정형 (파운데이션) 모델을 활용하여 널리 사용되는 15가지 특징 선택 방법을 비교합니다. 실험 결과는 예측 성능, 실행 시간, 안정성, 유효성 전반에서 명확한 트레이드오프를 보여줍니다. 트리 기반 방법인 CART 및 RFImportance와 F-검정(F-Test)은 예측 성능과 실행 시간을 종합적으로 고려했을 때 파레토 최적(Pareto-optimal)인 것으로 나타났습니다. F-검정, 정보 이론 기반 방법, 거리 기반 방법은 안정성과 유효성 측면에서 앞섰으며, 특히 F-검정은 모든 평가 지표에서 균형 잡힌 선택지로 부상했습니다. 탐색 기반 방법들은 느리고 불안정하며 낮은 성능을 보였습니다. SelectArena는 이러한 연구 결과를 실질적인 지침으로 전환하고, 확장 가능한 플랫폼으로서 향후 특징 선택 연구를 지원합니다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.