MAGIC：医療時系列データにおける同時補完と分類のための多タスクガウス過程
なぜ重要か: 企業や社会への影響が見込まれ、一般メディアにも波及する可能性があります。
arXiv:2509.19577v1発表形式：クロス
要約：時系列解析は、ヘルスケアにおける患者の診断と管理を向上させるための重要なツールとして台頭しています。しかしながら、これらのアプリケーションは、時間ずれとデータのスパースネスという2つの重要な課題に一般的に直面します。従来のアプローチは、補完と予測の2段階のプロセスを通してこれらの問題に対処します。本研究では、階層型マルチタスクガウス過程と関数型ロジスティック回帰を組み合わせた、クラス情報を考慮した欠損値補完とラベル予測を同時に行う新たな統合フレームワークであるMAGIC（Multi-tAsk Gaussian Process for Imputation and Classification）を提案します。扱いづらい尤度成分に対処するため、MAGICは有界誤差解析を用いたテイラー展開近似を採用し、パラメータ推定は、収束解析に基づいたブロック座標最適化を用いたEMアルゴリズムによって行われます。軽微な外傷性脳損傷後の外傷性頭痛の改善予測と、ICU入院後48時間以内における院内死亡率予測という2つのヘルスケアアプリケーションにおいて、MAGICの検証を行いました。両方のアプリケーションにおいて、MAGICは既存の方法と比較して優れた予測精度を実現しました。限られたサンプルでリアルタイムかつ正確な予測を生成できる能力は、早期の臨床評価と治療計画の策定を促進し、医療提供者がより情報に基づいた治療決定を可能にします。
原文（英語）を表示
Title (EN): MAGIC: Multi-task Gaussian process for joint imputation and classification in healthcare time series
arXiv:2509.19577v1 Announce Type: cross
Abstract: Time series analysis has emerged as an important tool for improving patient diagnosis and management in healthcare applications. However, these applications commonly face two critical challenges: time misalignment and data sparsity. Traditional approaches address these issues through a two-step process of imputation followed by prediction. We propose MAGIC (Multi-tAsk Gaussian Process for Imputation and Classification), a novel unified framework that simultaneously performs class-informed missing value imputation and label prediction within a hierarchical multi-task Gaussian process coupled with functional logistic regression. To handle intractable likelihood components, MAGIC employs Taylor expansion approximations with bounded error analysis, and parameter estimation is performed using EM algorithm with block coordinate optimization supported by convergence analysis. We validate MAGIC through two healthcare applications: prediction of post-traumatic headache improvement following mild traumatic brain injury and prediction of in-hospital mortality within 48 hours after ICU admission. In both applications, MAGIC achieves superior predictive accuracy compared to existing methods. The ability to generate real-time and accurate predictions with limited samples facilitates early clinical assessment and treatment planning, enabling healthcare providers to make more informed treatment decisions.
Published: 2025-09-24 19:00 UTC