Fugu-MT 論文翻訳(概要): Similarity-Based Self-Construct Graph Model for Predicting Patient Criticalness Using Graph Neural Networks and EHR Data

論文の概要: Similarity-Based Self-Construct Graph Model for Predicting Patient Criticalness Using Graph Neural Networks and EHR Data

arxiv url: http://arxiv.org/abs/2508.00615v1
Date: Fri, 01 Aug 2025 13:25:04 GMT
ステータス: 翻訳完了
システム内更新日: 2025-08-04 18:08:53.890936
Title: Similarity-Based Self-Construct Graph Model for Predicting Patient Criticalness Using Graph Neural Networks and EHR Data
Title（参考訳）: 類似性に基づく自己構築グラフモデルによる患者の臨界度予測
Authors: Mukesh Kumar Sahu, Pinki Roy,
Abstract要約: マルチモーダルEHRデータから患者類似性グラフを構築する類似性に基づく自己構築グラフモデル(SBSCGM)を提案する。 HybridGraphMedGNNアーキテクチャは、患者死亡率と連続臨界スコアを予測するために、このグラフ上で動作する。我々のフレームワークは、クリティカルケアリスク予測のためのスケーラブルで解釈可能なソリューションを提供し、実際のICUデプロイメントで臨床医を支援する可能性がある。
参考スコア（独自算出の注目度）: 0.46040036610482665
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Accurately predicting the criticalness of ICU patients (such as in-ICU mortality risk) is vital for early intervention in critical care. However, conventional models often treat each patient in isolation and struggle to exploit the relational structure in Electronic Health Records (EHR). We propose a Similarity-Based Self-Construct Graph Model (SBSCGM) that dynamically builds a patient similarity graph from multi-modal EHR data, and a HybridGraphMedGNN architecture that operates on this graph to predict patient mortality and a continuous criticalness score. SBSCGM uses a hybrid similarity measure (combining feature-based and structural similarities) to connect patients with analogous clinical profiles in real-time. The HybridGraphMedGNN integrates Graph Convolutional Network (GCN), GraphSAGE, and Graph Attention Network (GAT) layers to learn robust patient representations, leveraging both local and global graph patterns. In experiments on 6,000 ICU stays from the MIMIC-III dataset, our model achieves state-of-the-art performance (AUC-ROC $0.94$) outperforming baseline classifiers and single-type GNN models. We also demonstrate improved precision/recall and show that the attention mechanism provides interpretable insights into model predictions. Our framework offers a scalable and interpretable solution for critical care risk prediction, with potential to support clinicians in real-world ICU deployment.
Abstract（参考訳）: ICU患者(ICU内死亡リスクなど)の重症度を正確に予測することは、緊急治療の早期介入に不可欠である。しかしながら、従来のモデルでは、患者を孤立させ、電子健康記録(EHR)のリレーショナル構造を利用するのに苦労することが多い。マルチモーダルEHRデータから患者類似性グラフを動的に構築する類似性ベース自己構築グラフモデル(SBSCGM)と,このグラフに基づいて患者死亡率と連続臨界度スコアを予測するハイブリッドグラフMedGNNアーキテクチャを提案する。 SBSCGMは、ハイブリッド類似度測定(特徴ベースと構造類似度の組み合わせ)を使用して、類似した臨床プロファイルを持つ患者をリアルタイムで接続する。 HybridGraphMedGNNは、Graph Convolutional Network(GCN)、GraphSAGE、Graph Attention Network(GAT)レイヤを統合して、堅牢な患者表現を学習し、局所グラフパターンとグローバルグラフパターンの両方を活用する。 6000 ICUをMIMIC-IIIデータセットから残す実験では, ベースライン分類器や単一型GNNモデルよりも高い性能 (AUC-ROC $0.94$) を実現している。また,改良された精度/リコールを示し,アテンション機構がモデル予測に対する解釈可能な洞察を提供することを示した。我々のフレームワークは、クリティカルケアリスク予測のためのスケーラブルで解釈可能なソリューションを提供し、実際のICUデプロイメントで臨床医を支援する可能性がある。

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)
Graph Neural Networks for Heart Failure Prediction on an EHR-Based Patient Similarity Graph [1.4260605984981949]
本研究では,グラフニューラルネットワーク(GNN)とグラフトランスフォーマー(GT)を用いた心不全の発生予測手法を提案する。 HFの発生を予測するために、GraphSAGE、Graph Attention Network(GAT)、Graph Transformer(GT)の3つのモデルが実装された。 GTモデルは最高のパフォーマンスを示した(F1スコア: 0.5361, AUROC: 0.7925, AUPRC: 0.5168)。
論文参考訳（メタデータ） (2024-11-29T14:40:19Z)
A Generative Framework for Predictive Modeling of Multiple Chronic Conditions Using Graph Variational Autoencoder and Bandit-Optimized Graph Neural Network [0.0]
複数の慢性疾患(MCC)の出現を予測することは、早期介入とパーソナライズされた医療にとって重要である。グラフニューラルネットワーク(GNN)は、MCCに見られるような複雑なグラフデータをモデリングするための効果的な手法である。本稿では,データ分布を利用してグラフ構造を代表的に構築するGNNのための新しい生成フレームワークを提案する。
論文参考訳（メタデータ） (2024-09-20T17:26:38Z)
TACCO: Task-guided Co-clustering of Clinical Concepts and Patient Visits for Disease Subtyping based on EHR Data [42.96821770394798]
TACCOは、EMHデータのハイパーグラフモデリングに基づいて、臨床概念と患者訪問のクラスターを共同で発見する新しいフレームワークである。我々は,表現型分類と心血管リスク予測の下流臨床課題に対して,公共MIMIC-IIIデータセットとエモリー内部CRADLEデータセットを用いて実験を行った。深層モデル解析,クラスタリング結果解析,臨床ケーススタディは,TACCOが提供した改良されたユーティリティと洞察に富んだ解釈をさらに検証する。
論文参考訳（メタデータ） (2024-06-14T14:18:38Z)
MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文参考訳（メタデータ） (2023-10-04T01:36:30Z)
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)
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)
Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文参考訳（メタデータ） (2021-04-07T06:02:04Z)
Deep Learning with Heterogeneous Graph Embeddings for Mortality Prediction from Electronic Health Records [2.2859570135269625]
我々は、電子健康記録データ上に不均一グラフモデル(HGM)をトレーニングし、結果の埋め込みベクトルをコナールニューラルネットワーク(CNN)モデルに追加情報として使用して、院内死亡率を予測する。 CNNモデルにHGMを追加すると、死亡予測精度が最大4%向上することがわかった。
論文参考訳（メタデータ） (2020-12-28T02:27:09Z)
Dynamic Graph Correlation Learning for Disease Diagnosis with Incomplete Labels [66.57101219176275]
胸部X線画像上の疾患診断は,多ラベル分類の課題である。本稿では,異なる疾患間の相互依存を調査する新たな視点を提示する病的診断グラフ畳み込みネットワーク(DD-GCN)を提案する。本手法は,相関学習のための動的隣接行列を用いた特徴写像上のグラフを初めて構築する手法である。
論文参考訳（メタデータ） (2020-02-26T17:10:48Z)
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。