A Novel Explainable Deep Learning STING Kernel Approach for Multivariate Time Series Imputation in Healthcare
Notice bibliographique
Résumé
Multivariate time series (MTS) data is crucial in fields such as healthcare, finance, and traffic management, particularly for forecasting clinical outcomes like mortality rates, disease risks, and hospital stay durations.In healthcare, imputing missing values from complex MTS datasets can enhance critical care management and enable personalized treatments.This study focuses on imputing missing values in health-related data, especially intravenous vital signs and data essential to physicians' decision-making.To address limitations of existing imputation methods, we introduce a novel approach: the STING Kernel Deep Level (SKDL), coupled with an explainable framework.SKDL is designed to improve accuracy and effectively handle categorical outputs.Our evaluation using the MIMIC-IV dataset shows that SKDL outperforms traditional imputation methods such as Mean Imputation, k-Nearest Neighbors (KNN), and standard GAN-based approaches, based on performance metrics including Mean Absolute Error (MAE), Mean Squared Error (MSE), Root Mean Squared Error (RMSE), and R Squared.SKDL achieved an MAE of 0.0870, MSE of 0.0175, RMSE of 0.0040, and R Squared of 0.3367, indicating strong accuracy.Furthermore, the integration of Explainable AI (XAI) enables interpretability by visualizing imputation rationale, helping clinicians verify that the predicted values align with physiological expectations, thereby reinforcing trust in the imputation process.These results suggest that SKDL, with its interpretable design, provides a reliable solution for missing data imputation and supports more consistent and transparent clinical decisionmaking.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,004 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».