論文の概要: TIMER: Temporal Instruction Modeling and Evaluation for Longitudinal Clinical Records

• arxiv url: http://arxiv.org/abs/2503.04176v1
• Date: Thu, 06 Mar 2025 07:44:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-07 16:01:51.763026
• Title: TIMER: Temporal Instruction Modeling and Evaluation for Longitudinal Clinical Records
• Title（参考訳）: TIMER : 経時的指導モデルと縦断的臨床記録の評価
• Authors: Hejie Cui, Alyssa Unell, Bowen Chen, Jason Alan Fries, Emily Alsentzer, Sanmi Koyejo, Nigam Shah,
• Abstract要約: 我々は,患者の記録の異なる部分に接する命令応答ペアを組み込んだフレームワークであるTIMERを紹介する。 縦型EHR上での時間的推論能力を評価する最初のタイムアウェアベンチマークであるTIMER-Benchを開発した。 TIMER-Instructで微調整されたモデルでは、人為的なベンチマークでは7.3%、TIMER-Benchでは9.2%の性能向上が示されている。
• 参考スコア（独自算出の注目度）: 19.279884835744088
• License:
• Abstract: Large language models (LLMs) have emerged as promising tools for assisting in medical tasks, yet processing Electronic Health Records (EHRs) presents unique challenges due to their longitudinal nature. While LLMs' capabilities to perform medical tasks continue to improve, their ability to reason over temporal dependencies across multiple patient visits and time frames remains unexplored. We introduce TIMER (Temporal Instruction Modeling and Evaluation for Longitudinal Clinical Records), a framework that incorporate instruction-response pairs grounding to different parts of a patient's record as a critical dimension in both instruction evaluation and tuning for longitudinal clinical records. We develop TIMER-Bench, the first time-aware benchmark that evaluates temporal reasoning capabilities over longitudinal EHRs, as well as TIMER-Instruct, an instruction-tuning methodology for LLMs to learn reasoning over time. We demonstrate that models fine-tuned with TIMER-Instruct improve performance by 7.3% on human-generated benchmarks and 9.2% on TIMER-Bench, indicating that temporal instruction-tuning improves model performance for reasoning over EHR.
• Abstract（参考訳）: 大規模言語モデル (LLM) は医療作業を支援するための有望なツールとして登場しているが、電子健康記録 (EHR) の処理は、その長手性から独特な課題を呈している。 医療業務を行うLLMの能力は改善され続けているが、複数の患者訪問や時間枠にまたがる時間的依存を推論する能力は、まだ解明されていない。 TIMER (Temporal Instruction Modeling and Evaluation for Longitudinal Clinical Records) は,患者の記録の異なる部分に根ざした指示応答対を組み込んだフレームワークである。 我々は,縦型EHR上での時間的推論能力を評価する最初のタイムアウェアなベンチマークであるTIMER-Benchと,LLMが時間とともに推論を学ぶための命令チューニング手法であるTIMER-Instructを開発する。 我々は, TIMER-Instructで微調整されたモデルにおいて, 人為的ベンチマークで7.3%, TIMER-Benchで9.2%向上し, 時間的インストラクションチューニングにより, EHRよりもモデル性能が向上することを示した。

関連論文リスト

• Synthesizing Multimodal Electronic Health Records via Predictive Diffusion Models [69.06149482021071]
  EHRPDと呼ばれる新しいEHRデータ生成モデルを提案する。 時間間隔推定を組み込んだ拡散モデルである。 我々は2つの公開データセットで実験を行い、忠実さ、プライバシー、実用性の観点からEPHPDを評価する。
  論文  参考訳（メタデータ） (2024-06-20T02:20:23Z)
• TA-RNN: an Attention-based Time-aware Recurrent Neural Network Architecture for Electronic Health Records [0.0]
  リカレントニューラルネットワーク(RNN)のような深層学習手法を用いて、ERHを分析して疾患の進行をモデル化し、診断を予測する。 本研究では,TA-RNN(Time-Aware RNN)とTA-RNN-Autoencoder(TA-RNN-AE)という,RNNに基づく2つの解釈可能なDLアーキテクチャを提案する。 本研究では,不規則な時間間隔の影響を軽減するため,訪問時間間の時間埋め込みを取り入れることを提案する。
  論文  参考訳（メタデータ） (2024-01-26T07:34:53Z)
• ICU Mortality Prediction Using Long Short-Term Memory Networks [0.0]
  我々はElectronic Health Records(EHRs)から得られた大量の時間データを解析する自動データ駆動システムを実装した。 我々は,院内死亡率とLOS(Longth of Stay)を早期に予測するために,高レベル情報を抽出する。 実世界の予測エンジン構築のための厳密な時系列測定によるLSTMモデルの効率性について実験を行った。
  論文  参考訳（メタデータ） (2023-08-18T09:44:47Z)
• TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic Tree-Based Memory Network [54.332862955411656]
  臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。 近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。 本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
  論文  参考訳（メタデータ） (2023-07-19T12:35:09Z)
• Time Associated Meta Learning for Clinical Prediction [78.99422473394029]
  本稿では,時間関連メタラーニング(TAML)手法を提案する。 タスク分割後のスパーシリティ問題に対処するため、TAMLは時間情報共有戦略を採用し、正のサンプル数を増やす。 複数の臨床データセットに対するTAMLの有効性を示す。
  論文  参考訳（メタデータ） (2023-03-05T03:54:54Z)
• Gated Recurrent Neural Networks with Weighted Time-Delay Feedback [59.125047512495456]
  重み付き時間遅延フィードバック機構を備えた新しいゲートリカレントユニット(GRU)を導入する。 我々は、$tau$-GRUが、最先端のリカレントユニットやゲート型リカレントアーキテクチャよりも早く収束し、より一般化できることを示します。
  論文  参考訳（メタデータ） (2022-12-01T02:26:34Z)
• COPER: Continuous Patient State Perceiver [13.735956129637945]
  本研究では,ERHにおける不規則な時系列に対処するため,COPERと呼ばれる新規患者状態パーセンシバーモデルを提案する。 ニューラル常微分方程式(ODE)は、COPERが通常の時系列を生成してPerceiverモデルに供給するのに役立ちます。 提案モデルの性能評価には,MIMIC-IIIデータセット上での院内死亡予測タスクを用いる。
  論文  参考訳（メタデータ） (2022-08-05T14:32:57Z)
• Cumulative Stay-time Representation for Electronic Health Records in Medical Event Time Prediction [8.261597797345342]
  累積滞留時間表現(CTR)と呼ばれる新しいEMHデータ表現を提案する。 CTRはそのような累積的な健康状態を直接モデル化する。 我々は、ターゲットデータに適合する柔軟性を持つニューラルネットワークに基づくトレーニング可能なCTRの構築を導出する。
  論文  参考訳（メタデータ） (2022-04-28T12:34:41Z)
• BiteNet: Bidirectional Temporal Encoder Network to Predict Medical Outcomes [53.163089893876645]
  本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。 エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。 実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
  論文  参考訳（メタデータ） (2020-09-24T00:42:36Z)
• Neural Temporal Point Processes For Modelling Electronic Health Records [2.1836918611973366]
  EHRを時間的ポイントプロセスによって生成されるサンプルとして扱う。 本稿では、TPPのニューラルネットワークパラメータ化を提案し、これを総合的にNeural TPPと呼ぶ。 以上の結果から,TPP は EHR において非TPP よりも有意に優れていた。
  論文  参考訳（メタデータ） (2020-07-27T18:16:54Z)
• Estimating Counterfactual Treatment Outcomes over Time Through Adversarially Balanced Representations [114.16762407465427]
  時間とともに治療効果を推定するためにCRN(Counterfactual Recurrent Network)を導入する。 CRNは、患者履歴のバランスの取れた表現を構築するために、ドメイン敵のトレーニングを使用する。 本モデルでは, 正解率の予測と適切な治療時期の選択において, 誤差の低減を図っている。
  論文  参考訳（メタデータ） (2020-02-10T20:47:36Z)

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。