論文の概要: DeepJ: Graph Convolutional Transformers with Differentiable Pooling for Patient Trajectory Modeling

• arxiv url: http://arxiv.org/abs/2506.15809v1
• Date: Wed, 18 Jun 2025 18:45:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-23 19:00:04.801916
• Title: DeepJ: Graph Convolutional Transformers with Differentiable Pooling for Patient Trajectory Modeling
• Title（参考訳）: DeepJ:患者軌道モデリングのための多彩なプール付きグラフ畳み込み変換器
• Authors: Deyi Li, Zijun Yao, Muxuan Liang, Mei Liu,
• Abstract要約: 本稿では,グラフプーリング可能な新しいグラフ畳み込み変換モデルであるDeep patient Journey(DeepJ)を紹介する。 DeepJは、時間的および機能的に関連する医療イベントのグループを特定し、患者の結果予測に関連する重要なイベントクラスタに関する貴重な洞察を提供する。
• 参考スコア（独自算出の注目度）: 8.305824953620151
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, graph learning has gained significant interest for modeling complex interactions among medical events in structured Electronic Health Record (EHR) data. However, existing graph-based approaches often work in a static manner, either restricting interactions within individual encounters or collapsing all historical encounters into a single snapshot. As a result, when it is necessary to identify meaningful groups of medical events spanning longitudinal encounters, existing methods are inadequate in modeling interactions cross encounters while accounting for temporal dependencies. To address this limitation, we introduce Deep Patient Journey (DeepJ), a novel graph convolutional transformer model with differentiable graph pooling to effectively capture intra-encounter and inter-encounter medical event interactions. DeepJ can identify groups of temporally and functionally related medical events, offering valuable insights into key event clusters pertinent to patient outcome prediction. DeepJ significantly outperformed five state-of-the-art baseline models while enhancing interpretability, demonstrating its potential for improved patient risk stratification.
• Abstract（参考訳）: 近年,構造化電子健康記録(EHR)データにおける医療イベント間の複雑な相互作用のモデル化にグラフ学習が大きな関心を集めている。 しかし、既存のグラフベースのアプローチは静的な方法で動作し、個々の遭遇内でのインタラクションを制限するか、すべての過去の遭遇を1つのスナップショットにまとめる。 その結果, 時間的依存を考慮に入れながら, 相互作用をモデル化するには, 時間的依存を考慮し, 時間的依存を考慮し, 有意義な医療イベント群を特定する必要がある。 この制限に対処するために,グラフプールを用いた新しいグラフ畳み込みトランスフォーマーモデルであるDeep patient Journey (DeepJ) を導入する。 DeepJは、時間的および機能的に関連する医療イベントのグループを特定し、患者の結果予測に関連する重要なイベントクラスタに関する貴重な洞察を提供する。 DeepJは5つの最先端のベースラインモデルよりも優れ、解釈可能性を高め、患者のリスク層化を改善する可能性を示した。

関連論文リスト

• DynaGraph: Interpretable Multi-Label Prediction from EHRs via Dynamic Graph Learning and Contrastive Augmentation [5.196633071421455]
  DynaGraphは、エンドツーエンドの解釈可能なコントラストグラフモデルである。 実世界の4つの臨床データセットでモデルを検証した。
  論文  参考訳（メタデータ） (2025-03-28T09:13:30Z)
• HC-LLM: Historical-Constrained Large Language Models for Radiology Report Generation [89.3260120072177]
  本稿では,放射線学レポート生成のための歴史制約付き大規模言語モデル (HC-LLM) フレームワークを提案する。 胸部X線写真から経時的特徴と経時的特徴を抽出し,疾患の進行を捉える診断報告を行った。 特に,本手法は,テスト中の履歴データなしでも良好に動作し,他のマルチモーダル大規模モデルにも容易に適用可能である。
  論文  参考訳（メタデータ） (2024-12-15T06:04:16Z)
• 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)
• Predictive Modeling with Temporal Graphical Representation on Electronic Health Records [8.996666837088311]
  患者のERHの効果的な表現は、歴史的訪問と医療イベントの時間的関係の両方を包含すべきである。 我々は,患者のERHを新しい時間的異種グラフとしてモデル化する。 医療イベントノードから訪問ノードへの構造化情報を伝達し、タイムアウェアな訪問ノードを使用して患者の健康状態の変化をキャプチャする。
  論文  参考訳（メタデータ） (2024-05-07T02:05:30Z)
• TimeGraphs: Graph-based Temporal Reasoning [64.18083371645956]
  TimeGraphsは階層的時間グラフとして動的相互作用を特徴付ける新しいアプローチである。 提案手法は,コンパクトなグラフベース表現を用いて相互作用をモデル化し,多種多様な時間スケールでの適応推論を可能にする。 我々は,サッカーシミュレータ,抵抗ゲーム,MOMA人間活動データセットなど,複雑でダイナミックなエージェントインタラクションを持つ複数のデータセット上でTimeGraphsを評価する。
  論文  参考訳（メタデータ） (2024-01-06T06:26:49Z)
• Self-explaining Hierarchical Model for Intraoperative Time Series [6.877686657275981]
  本稿では,術中時系列における注意力と反復モデルの両方の強さを組み合わせた階層モデルを提案する。 複数の結果が得られた111,888回の大規模な手術データセットと、外部の高解像度ICUデータセットによる実験により、我々のモデルが強い予測性能を達成できることが示されている。
  論文  参考訳（メタデータ） (2022-10-10T03:24:18Z)
• Brain dynamics via Cumulative Auto-Regressive Self-Attention [0.0]
  深部グラフニューラルネットワーク(GNN)よりもかなり浅いモデルを提案する。 本モデルは,各時系列の自己回帰構造を学習し,有向接続グラフを推定する。 統合失調症患者とコントロールを分類した機能的ニューロイメージングデータセットについて報告する。
  論文  参考訳（メタデータ） (2021-11-01T21:50:35Z)
• 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)
• DeepRite: Deep Recurrent Inverse TreatmEnt Weighting for Adjusting Time-varying Confounding in Modern Longitudinal Observational Data [68.29870617697532]
  時系列データにおける時間変化の相違に対するDeep Recurrent Inverse TreatmEnt重み付け(DeepRite)を提案する。 DeepRiteは、合成データから基底的真理を復元し、実際のデータから偏りのない処理効果を推定する。
  論文  参考訳（メタデータ） (2020-10-28T15:05:08Z)
• Learning Dynamic and Personalized Comorbidity Networks from Event Data using Deep Diffusion Processes [102.02672176520382]
  コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。 電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。 我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
  論文  参考訳（メタデータ） (2020-01-08T15:47:08Z)

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。