論文の概要: From EHRs to Patient Pathways: Scalable Modeling of Longitudinal Health Trajectories with LLMs

• arxiv url: http://arxiv.org/abs/2506.04831v1
• Date: Thu, 05 Jun 2025 09:54:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-06 21:53:49.642836
• Title: From EHRs to Patient Pathways: Scalable Modeling of Longitudinal Health Trajectories with LLMs
• Title（参考訳）: EHRから患者道へ:LLMを用いた縦断的健康軌道のスケーラブルなモデリング
• Authors: Chantal Pellegrini, Ege Özsoy, David Bani-Harouni, Matthias Keicher, Nassir Navab,
• Abstract要約: 本稿では,多様な電子健康記録(EHR)データを構造化表現に変換することで,患者経路モデリングの新しい手法を提案する。 本稿では,長期的文脈をトピック固有の要約トークンに組み込む新しい要約機構を導入し,テキストのみの性能を向上させる。
• 参考スコア（独自算出の注目度）: 38.49879425944787
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Healthcare systems face significant challenges in managing and interpreting vast, heterogeneous patient data for personalized care. Existing approaches often focus on narrow use cases with a limited feature space, overlooking the complex, longitudinal interactions needed for a holistic understanding of patient health. In this work, we propose a novel approach to patient pathway modeling by transforming diverse electronic health record (EHR) data into a structured representation and designing a holistic pathway prediction model, EHR2Path, optimized to predict future health trajectories. Further, we introduce a novel summary mechanism that embeds long-term temporal context into topic-specific summary tokens, improving performance over text-only models, while being much more token-efficient. EHR2Path demonstrates strong performance in both next time-step prediction and longitudinal simulation, outperforming competitive baselines. It enables detailed simulations of patient trajectories, inherently targeting diverse evaluation tasks, such as forecasting vital signs, lab test results, or length-of-stay, opening a path towards predictive and personalized healthcare.
• Abstract（参考訳）: 医療システムは、パーソナライズされたケアのために、多種多様な患者データを管理、解釈する上で、重大な課題に直面している。 既存のアプローチは、患者健康の全体的理解に必要な、複雑な縦断的な相互作用を見越して、限られた特徴空間を持つ狭いユースケースに重点を置いていることが多い。 本研究では,電子健康記録(EHR)データを構造化された表現に変換し,将来的な健康トラジェクトリの予測に最適化された全体論的経路予測モデル EHR2Path を設計することにより,患者経路モデリングへの新たなアプローチを提案する。 さらに,長期間の時間的コンテキストをトピック固有の要約トークンに埋め込んだ新しい要約機構を導入し,テキストのみの性能を向上させるとともに,トークン効率も向上した。 EHR2Pathは、次のタイムステップ予測と縦断シミュレーションの両方で強い性能を示し、競争ベースラインを上回っている。 患者軌跡の詳細なシミュレーションを可能にし、本来はバイタルサインの予測、検査結果の予測、スタイの長さといった多様な評価タスクをターゲットにし、予測的でパーソナライズされた医療への道を開く。

関連論文リスト

• Recent Advances in Predictive Modeling with Electronic Health Records [71.19967863320647]
  EHRデータを予測モデリングに利用すると、その特徴からいくつかの課題が生じる。 深層学習は、医療を含む様々な応用においてその優位性を示している。
  論文  参考訳（メタデータ） (2024-02-02T00:31:01Z)
• Integrated Convolutional and Recurrent Neural Networks for Health Risk Prediction using Patient Journey Data with Many Missing Values [9.418011774179794]
  本稿では,統合畳み込みニューラルネットワークとリカレントニューラルネットワークを用いたEMH患者旅行データモデリングのためのエンドツーエンドアプローチを提案する。 本モデルでは,各患者旅行における長期的・短期的時間的パターンを抽出し,インパルスデータ生成を伴わずに,高レベルのEHRデータの欠落を効果的に処理することができる。
  論文  参考訳（メタデータ） (2022-11-11T07:36:18Z)
• 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)
• SANSformers: Self-Supervised Forecasting in Electronic Health Records with Attention-Free Models [48.07469930813923]
  本研究は,医療施設への患者訪問数を予測することにより,医療サービスの需要を予測することを目的とする。 SNSformerは、特定の帰納バイアスを設計し、EHRデータの特異な特徴を考慮に入れた、注意のない逐次モデルである。 本研究は, 各種患者集団を対象とした医療利用予測の修正における, 注意力のないモデルと自己指導型事前訓練の有望な可能性について考察した。
  論文  参考訳（メタデータ） (2021-08-31T08:23:56Z)
• 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)

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。