論文の概要: Multimodal Forecasting of Sparse Intraoperative Hypotension Events Powered by Language Model

• arxiv url: http://arxiv.org/abs/2505.22116v2
• Date: Tue, 03 Jun 2025 03:43:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-04 16:31:03.65977
• Title: Multimodal Forecasting of Sparse Intraoperative Hypotension Events Powered by Language Model
• Title（参考訳）: 言語モデルを用いたスパース術中低血圧事象のマルチモーダル予測
• Authors: Jintao Zhang, Zirui Liu, Mingyue Cheng, Shilong Zhang, Tingyue Pan, Qi Liu, Yanhu Xie,
• Abstract要約: 術中低血圧 (IOH) は全身麻酔下で頻繁に発生し, 心筋損傷や死亡率の増加などの副作用と強く関連している。 その重要性にもかかわらず、IOH予測はイベントのばらつきと、さまざまな患者にまたがる静的データと動的データを統合することの難しさによって妨げられている。 スパース低血圧事象を正確に識別し識別する多モーダル言語モデルフレームワークである textbfIOHFuseLM を提案する。
• 参考スコア（独自算出の注目度）: 14.038216824516377
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Intraoperative hypotension (IOH) frequently occurs under general anesthesia and is strongly linked to adverse outcomes such as myocardial injury and increased mortality. Despite its significance, IOH prediction is hindered by event sparsity and the challenge of integrating static and dynamic data across diverse patients. In this paper, we propose \textbf{IOHFuseLM}, a multimodal language model framework. To accurately identify and differentiate sparse hypotensive events, we leverage a two-stage training strategy. The first stage involves domain adaptive pretraining on IOH physiological time series augmented through diffusion methods, thereby enhancing the model sensitivity to patterns associated with hypotension. Subsequently, task fine-tuning is performed on the original clinical dataset to further enhance the ability to distinguish normotensive from hypotensive states. To enable multimodal fusion for each patient, we align structured clinical descriptions with the corresponding physiological time series at the token level. Such alignment enables the model to capture individualized temporal patterns alongside their corresponding clinical semantics. In addition, we convert static patient attributes into structured text to enrich personalized information. Experimental evaluations on two intraoperative datasets demonstrate that IOHFuseLM outperforms established baselines in accurately identifying IOH events, highlighting its applicability in clinical decision support scenarios. Our code is publicly available to promote reproducibility at https://github.com/zjt-gpu/IOHFuseLM.
• Abstract（参考訳）: 術中低血圧 (IOH) は全身麻酔下で頻繁に発生し, 心筋損傷や死亡率の増加などの副作用と強く関連している。 その重要性にもかかわらず、IOH予測はイベントのばらつきと、さまざまな患者にまたがる静的データと動的データを統合することの難しさによって妨げられている。 本稿では,マルチモーダル言語モデルフレームワークである \textbf{IOHFuseLM} を提案する。 疎度の低血圧事象を正確に識別し、区別するために、我々は2段階のトレーニング戦略を利用する。 第1段階は、拡散法によるIOH生理学的時系列のドメイン適応的事前訓練により、低血圧に関連するパターンに対するモデル感受性が向上する。 その後、元の臨床データセット上でタスク細調整を行い、正常な高血圧状態と低血圧状態とを識別する能力をさらに強化する。 各患者に対してマルチモーダル・フュージョンを可能にするために, 構造化された臨床記述とそれに対応する生理的時系列をトークンレベルで整列する。 このようなアライメントにより、モデルは対応する臨床意味論と並行して、個別化された時間パターンをキャプチャできる。 さらに、静的な患者属性を構造化テキストに変換し、パーソナライズされた情報を強化する。 2つの術中データセットの実験的評価により、IOHFuseLMは、IOHイベントを正確に識別するための確立されたベースラインよりも優れており、臨床決定支援シナリオにおけるその適用性を強調している。 我々のコードはhttps://github.com/zjt-gpu/IOHFuseLM.comで再現性を促進するために公開されている。

関連論文リスト

• A Hybrid Multi-Factor Network with Dynamic Sequence Modeling for Early Warning of Intraoperative Hypotension [2.9833446079112473]
  過去の生理的信号を用いた術中低血圧(IOH)予測は重要である。 動的シーケンス予測タスクとしてIOH予測を定式化するハイブリッドマルチファクターネットワークを提案する。 公立と実世界の両方の臨床データセットの実験では、HMFが競争ベースラインを大幅に上回っていることが示されている。
  論文  参考訳（メタデータ） (2024-09-17T10:46:41Z)
• Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
  そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。 また,死亡率と臓器不全の関連性について有意な知見が得られた。
  論文  参考訳（メタデータ） (2024-07-28T02:42:36Z)
• Fusing Echocardiography Images and Medical Records for Continuous Patient Stratification [16.93115087698284]
  本研究は, 高血圧症と診断し難い連続体を用いて, 心血管系病理の表現を学習する手法を提案する。 提案手法はまず各変数をモダリティ固有のアプローチを用いて表現空間に射影する。 これらの標準化されたマルチモーダルデータの表現は、その後トランスフォーマーエンコーダに送られ、臨床評価を予測するタスクを通じて患者の包括的表現にマージされる。 239人の高血圧患者のコホートでこの連続体に沿った主要な傾向を観察し、高血圧が様々な心機能記述因子に与える影響について、前例のない詳細を報告した。
  論文  参考訳（メタデータ） (2024-01-15T16:04:46Z)
• 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)
• A Conditional Flow Variational Autoencoder for Controllable Synthesis of Virtual Populations of Anatomy [76.20367415712867]
  本稿では,正規化フローを用いた条件付き変分オートエンコーダ(cVAE)を提案する。 2360例の心左心室データを用いた条件流VAEの性能について検討した。
  論文  参考訳（メタデータ） (2023-06-26T13:23:52Z)
• Individualized Dosing Dynamics via Neural Eigen Decomposition [51.62933814971523]
  ニューラル固有微分方程式アルゴリズム(NESDE)を導入する。 NESDEは個別化モデリング、新しい治療ポリシーへの調整可能な一般化、高速で連続的でクローズドな予測を提供する。 本研究は, 総合的・現実的な医療問題におけるNESDEの堅牢性を実証し, 学習力学を用いて, 模擬医療体育環境の公開を行う。
  論文  参考訳（メタデータ） (2023-06-24T17:01:51Z)
• Tissue Classification During Needle Insertion Using Self-Supervised Contrastive Learning and Optical Coherence Tomography [53.38589633687604]
  針先端で取得した複雑なCT信号の位相および強度データから組織を分類するディープニューラルネットワークを提案する。 トレーニングセットの10%で、提案した事前学習戦略により、モデルが0.84のF1スコアを達成するのに対して、モデルが0.60のF1スコアを得るのに対して、モデルが0.84のF1スコアを得るのに役立ちます。
  論文  参考訳（メタデータ） (2023-04-26T14:11:04Z)
• Epileptic Seizure Classification with Symmetric and Hybrid Bilinear Models [20.376912072606412]
  本稿では, 難治性てんかんの診断に応用したハイブリッドバイリニア深層学習ネットワークを提案する。 診断の精度は、医療症状の重複、様々な経験のレベル、および臨床専門職間の多様性によっても複雑である。
  論文  参考訳（メタデータ） (2020-01-15T03:22:10Z)

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。