論文の概要: Explaining Recovery Trajectories of Older Adults Post Lower-Limb Fracture Using Modality-wise Multiview Clustering and Large Language Models

• arxiv url: http://arxiv.org/abs/2506.12156v1
• Date: Fri, 13 Jun 2025 18:19:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-17 17:28:45.300761
• Title: Explaining Recovery Trajectories of Older Adults Post Lower-Limb Fracture Using Modality-wise Multiview Clustering and Large Language Models
• Title（参考訳）: モダリティ・ワイド・マルチビュー・クラスタリングと大規模言語モデルを用いた高齢者下肢骨折後の回復軌跡の解明
• Authors: Shehroz S. Khan, Ali Abedi, Charlene H. Chu,
• Abstract要約: 本稿では,高齢者の下肢骨折から回復した高齢者から収集したクラスター型センサデータの解釈の問題に対処する。 加速度、歩数、周囲の動き、GPS位置、心拍数、睡眠を含む560日間のマルチモーダルセンサーデータを在宅患者から遠隔で収集した。 それぞれのモダリティから派生したクラスタに対して意味のあるクラスタラベルを推論するために,大規模な言語モデルが採用された。
• 参考スコア（独自算出の注目度）: 2.166000001057538
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Interpreting large volumes of high-dimensional, unlabeled data in a manner that is comprehensible to humans remains a significant challenge across various domains. In unsupervised healthcare data analysis, interpreting clustered data can offer meaningful insights into patients' health outcomes, which hold direct implications for healthcare providers. This paper addresses the problem of interpreting clustered sensor data collected from older adult patients recovering from lower-limb fractures in the community. A total of 560 days of multimodal sensor data, including acceleration, step count, ambient motion, GPS location, heart rate, and sleep, alongside clinical scores, were remotely collected from patients at home. Clustering was first carried out separately for each data modality to assess the impact of feature sets extracted from each modality on patients' recovery trajectories. Then, using context-aware prompting, a large language model was employed to infer meaningful cluster labels for the clusters derived from each modality. The quality of these clusters and their corresponding labels was validated through rigorous statistical testing and visualization against clinical scores collected alongside the multimodal sensor data. The results demonstrated the statistical significance of most modality-specific cluster labels generated by the large language model with respect to clinical scores, confirming the efficacy of the proposed method for interpreting sensor data in an unsupervised manner. This unsupervised data analysis approach, relying solely on sensor data, enables clinicians to identify at-risk patients and take timely measures to improve health outcomes.
• Abstract（参考訳）: 大量の高次元のラベルのないデータを、人間にとって理解しやすい方法で解釈することは、さまざまな領域において重要な課題である。 教師なしの医療データ分析では、クラスター化されたデータを解釈することで、患者の健康結果に対する有意義な洞察を与え、医療提供者に直接的な影響を与えることができる。 本稿では,高齢者の下肢骨折から回復した高齢者から収集したクラスター型センサデータの解釈の問題に対処する。 加速度、歩数、周囲の動き、GPS位置、心拍数、睡眠などを含む560日間のマルチモーダルセンサーデータを在宅患者から遠隔で収集した。 データ・モダリティごとに個別にクラスタリングを行い、各モダリティから抽出した特徴集合が患者の回復軌道に与える影響を評価する。 そして、文脈認識プロンプトを用いて、各モードから派生したクラスタに対して意味のあるクラスタラベルを推論するために、大きな言語モデルを用いた。 これらのクラスタとそのラベルの品質は、多モードセンサデータとともに収集された臨床結果に対する厳密な統計的検査と可視化によって検証された。 その結果, 大規模言語モデルが生成するクラスタラベルの統計的意義を臨床的スコアに対して示し, 教師なしの方法でセンサデータを解釈する手法の有効性を確認した。 この教師なしデータ分析アプローチは、センサーデータにのみ依存し、医師がリスクのある患者を特定し、健康状態を改善するためのタイムリーな測定を行うことを可能にする。

関連論文リスト

• From Classification to Clinical Insights: Towards Analyzing and Reasoning About Mobile and Behavioral Health Data With Large Language Models [21.427976533706737]
  我々は,多センサデータから臨床的に有用な知見を合成するために,大規模言語モデルを活用する新しいアプローチを採っている。 うつ病や不安などの症状とデータの傾向がどのように関連しているかを,LSMを用いて推論する思考促進手法の連鎖を構築した。 GPT-4のようなモデルでは数値データの75%を正確に参照しており、臨床参加者は、この手法を用いて自己追跡データを解釈することへの強い関心を表明している。
  論文  参考訳（メタデータ） (2023-11-21T23:53:27Z)
• Multi-task Explainable Skin Lesion Classification [54.76511683427566]
  少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。 提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
  論文  参考訳（メタデータ） (2023-10-11T05:49:47Z)
• Contrastive learning for unsupervised medical image clustering and reconstruction [0.23624125155742057]
  本稿では,非教師なしのオートエンコーダフレームワークを提案する。 提案手法は教師付きアーキテクチャと同じような性能を達成し,潜伏空間における分離が専門家の医療観察者指定ラベルを再現することを示す。
  論文  参考訳（メタデータ） (2022-09-24T13:17:02Z)
• Deep Semi-Supervised Embedded Clustering (DSEC) for Stratification of Heart Failure Patients [50.48904066814385]
  本研究では、深層半教師付き組込みクラスタリングを用いて、心不全のデータ駆動型患者サブグループを決定する。 ヘテロジニアスデータから得られた組込み空間から臨床関連クラスタを見出した。 提案アルゴリズムは、異なる結果を持つ患者の新たな未診断サブグループを見つけることができる。
  論文  参考訳（メタデータ） (2020-12-24T12:56:46Z)
• Trajectories, bifurcations and pseudotime in large clinical datasets: applications to myocardial infarction and diabetes data [94.37521840642141]
  混合データ型と欠落値を特徴とする大規模臨床データセット分析のための半教師付き方法論を提案する。 この手法は、次元の減少、データの可視化、クラスタリング、特徴の選択と、部分的に順序付けられた観測列における測地距離(擬時)の定量化のタスクを同時に扱うことのできる弾性主グラフの適用に基づいている。
  論文  参考訳（メタデータ） (2020-07-07T21:04:55Z)
• Temporal Phenotyping using Deep Predictive Clustering of Disease Progression [97.88605060346455]
  我々は、時系列データをクラスタリングするためのディープラーニングアプローチを開発し、各クラスタは、同様の将来的な結果を共有する患者から構成される。 2つの実世界のデータセットに対する実験により、我々のモデルは最先端のベンチマークよりも優れたクラスタリング性能が得られることが示された。
  論文  参考訳（メタデータ） (2020-06-15T20:48:43Z)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)
• Predictive Modeling of ICU Healthcare-Associated Infections from Imbalanced Data. Using Ensembles and a Clustering-Based Undersampling Approach [55.41644538483948]
  本研究は,集中治療室における危険因子の同定と医療関連感染症の予測に焦点をあてる。 感染発生率の低減に向けた意思決定を支援することを目的とする。
  論文  参考訳（メタデータ） (2020-05-07T16:13:12Z)

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。