論文の概要: A Comprehensive Survey of Electronic Health Record Modeling: From Deep Learning Approaches to Large Language Models
- arxiv url: http://arxiv.org/abs/2507.12774v1
- Date: Thu, 17 Jul 2025 04:31:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-18 20:10:24.340605
- Title: A Comprehensive Survey of Electronic Health Record Modeling: From Deep Learning Approaches to Large Language Models
- Title（参考訳）: 電子カルテモデリングに関する包括的調査:ディープラーニングアプローチから大規模言語モデルへ
- Authors: Weijieying Ren, Jingxi Zhu, Zehao Liu, Tianxiang Zhao, Vasant Honavar,
- Abstract要約: このサーベイは、ディープラーニング、大規模言語モデル(LLM)、EHRモデリングの交差点における最近の進歩の包括的概要を提供する。
データ中心のアプローチ、ニューラルアーキテクチャ設計、学習中心の戦略、マルチモーダル学習、LLMに基づくモデリングシステムである。
この調査は、AI駆動のEHRモデリングと臨床意思決定支援を進めるための構造化されたロードマップを提供することを目的としている。
- 参考スコア（独自算出の注目度）: 5.623574322477982
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Artificial intelligence (AI) has demonstrated significant potential in transforming healthcare through the analysis and modeling of electronic health records (EHRs). However, the inherent heterogeneity, temporal irregularity, and domain-specific nature of EHR data present unique challenges that differ fundamentally from those in vision and natural language tasks. This survey offers a comprehensive overview of recent advancements at the intersection of deep learning, large language models (LLMs), and EHR modeling. We introduce a unified taxonomy that spans five key design dimensions: data-centric approaches, neural architecture design, learning-focused strategies, multimodal learning, and LLM-based modeling systems. Within each dimension, we review representative methods addressing data quality enhancement, structural and temporal representation, self-supervised learning, and integration with clinical knowledge. We further highlight emerging trends such as foundation models, LLM-driven clinical agents, and EHR-to-text translation for downstream reasoning. Finally, we discuss open challenges in benchmarking, explainability, clinical alignment, and generalization across diverse clinical settings. This survey aims to provide a structured roadmap for advancing AI-driven EHR modeling and clinical decision support. For a comprehensive list of EHR-related methods, kindly refer to https://survey-on-tabular-data.github.io/.
- Abstract（参考訳）: 人工知能(AI)は、電子健康記録(EHR)の分析とモデリングを通じて、医療を変革する大きな可能性を実証している。
しかしながら、EHRデータの固有の不均一性、時間的不規則性、およびドメイン固有の性質は、視覚や自然言語のタスクと根本的に異なる固有の課題を示す。
このサーベイは、ディープラーニング、大規模言語モデル(LLM)、EHRモデリングの交差点における最近の進歩の包括的概要を提供する。
データ中心のアプローチ、ニューラルアーキテクチャ設計、学習中心の戦略、マルチモーダル学習、LLMに基づくモデリングシステムである。
各次元において,データ品質向上,構造的・時間的表現,自己指導型学習,臨床知識の統合に対処する代表的手法について検討する。
さらに, 基礎モデル, LLM による臨床薬品, 下流推論のための EHR-to-text 翻訳など, 新たなトレンドを浮き彫りにしている。
最後に, ベンチマーク, 説明可能性, 臨床アライメント, および様々な臨床環境における一般化に関するオープンな課題について論じる。
この調査は、AI駆動のEHRモデリングと臨床決定支援を進めるための構造化されたロードマップを提供することを目的としている。
EHR関連のメソッドの包括的なリストについては、https://survey-on-tabular-data.github.io/を参照してください。
関連論文リスト
- Medical Reasoning in the Era of LLMs: A Systematic Review of Enhancement Techniques and Applications [59.721265428780946]
医学における大きな言語モデル(LLM)は印象的な能力を実現しているが、体系的で透明で検証可能な推論を行う能力に重大なギャップが残っている。
本稿は、この新興分野に関する最初の体系的なレビューを提供する。
本稿では,学習時間戦略とテスト時間メカニズムに分類した推論強化手法の分類法を提案する。
論文 参考訳（メタデータ） (2025-08-01T14:41:31Z) - Anomaly Detection and Generation with Diffusion Models: A Survey [51.61574868316922]
異常検出(AD)は、サイバーセキュリティ、金融、医療、工業製造など、さまざまな分野において重要な役割を担っている。
近年のディープラーニング,特に拡散モデル(DM)の進歩は,大きな関心を集めている。
この調査は、研究者や実践者が様々なアプリケーションにまたがる革新的なADソリューションにDMを利用することをガイドすることを目的としている。
論文 参考訳（メタデータ） (2025-06-11T03:29:18Z) - Structured Semantics from Unstructured Notes: Language Model Approaches to EHR-Based Decision Support [11.927390747231588]
本稿では,臨床診断支援のための多種多様なデータソースを活用するための先進言語モデルの適用について検討する。
従来の高次元のEHR分析では見過ごされがちなテキストベースの特徴が意味的に豊かな表現を提供する方法について論じる。
論文 参考訳（メタデータ） (2025-06-01T05:07:51Z) - Exploring Scaling Laws for EHR Foundation Models [17.84205864956449]
EHR基礎モデルのスケーリング法則に関する最初の実証的研究について述べる。
パラボリックなIsoFLOP曲線や計算,モデルパラメータ,データサイズ,臨床ユーティリティ間の電力-法則関係など,一貫したスケーリングパターンを同定する。
論文 参考訳（メタデータ） (2025-05-29T01:05:11Z) - Biomedical Foundation Model: A Survey [84.26268124754792]
ファンデーションモデルは、広範なラベルなしデータセットから学習する大規模な事前訓練モデルである。
これらのモデルは、質問応答や視覚的理解といった様々な応用に適応することができる。
本研究は,生物医学分野における基礎モデルの可能性を探るものである。
論文 参考訳（メタデータ） (2025-03-03T22:42:00Z) - From large language models to multimodal AI: A scoping review on the potential of generative AI in medicine [40.23383597339471]
マルチモーダルAIは、イメージング、テキスト、構造化データを含む多様なデータモダリティを単一のモデルに統合することができる。
このスコーピングレビューは、マルチモーダルAIの進化を探求し、その方法、アプリケーション、データセット、臨床環境での評価を強調している。
診断支援,医療報告生成,薬物発見,会話型AIの革新を推進し,一過性のアプローチからマルチモーダルアプローチへのシフトを示唆した。
論文 参考訳（メタデータ） (2025-02-13T11:57:51Z) - 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) - Automated Fusion of Multimodal Electronic Health Records for Better
Medical Predictions [48.0590120095748]
本稿では,多様な入力モダリティと融合戦略を符号化する最適なモデルアーキテクチャを自動検索する,AutoFMという新しいニューラルネットワーク探索フレームワークを提案する。
我々は実世界のマルチモーダルEHRデータと予測タスクについて徹底的な実験を行い、その結果、我々のフレームワークが既存の最先端手法よりも大幅な性能向上を実現していることを示す。
論文 参考訳（メタデータ） (2024-01-20T15:14:14Z) - README: Bridging Medical Jargon and Lay Understanding for Patient Education through Data-Centric NLP [9.432205523734707]
医療用語を患者に親しみやすい平易な言語に簡略化することを目的とした,レイ定義の自動生成という新たなタスクを導入する。
このデータセットは、5万以上のユニークな(医療用語、日常の定義)ペアと30万の言及からなる。
また、データフィルタリング、拡張、選択を相乗化してデータ品質を改善する、データ中心のHuman-AIパイプラインも開発しました。
論文 参考訳（メタデータ） (2023-12-24T23:01:00Z) - Geometric Deep Learning for Structure-Based Drug Design: A Survey [83.87489798671155]
構造に基づく薬物設計(SBDD)は、タンパク質の3次元幾何学を利用して、潜在的な薬物候補を特定する。
近年の幾何学的深層学習の進歩は、3次元幾何学的データを効果的に統合・処理し、この分野を前進させてきた。
論文 参考訳（メタデータ） (2023-06-20T14:21:58Z) - Two heads are better than one: Enhancing medical representations by
pre-training over structured and unstructured electronic health records [23.379185792773875]
マルチモーダル EHR から代表的特徴を自動学習するために,UMM-PLM という,深層学習に基づく医用事前訓練言語モデルを提案する。
まず,各データソースから一助表現を別々に学習する一助情報表現モジュールを開発した。
異なるモジュラリティ間の相互作用をモデル化するために、クロスモーダルモジュールが導入された。
論文 参考訳（メタデータ） (2022-01-25T06:14:49Z)
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。