Fugu-MT 論文翻訳(概要): ProtoEHR: Hierarchical Prototype Learning for EHR-based Healthcare Predictions

論文の概要: ProtoEHR: Hierarchical Prototype Learning for EHR-based Healthcare Predictions

arxiv url: http://arxiv.org/abs/2508.18313v1
Date: Sat, 23 Aug 2025 16:42:22 GMT
ステータス: 翻訳完了
システム内更新日: 2025-08-27 17:42:38.517078
Title: ProtoEHR: Hierarchical Prototype Learning for EHR-based Healthcare Predictions
Title（参考訳）: ProtoEHR:EHRに基づくヘルスケア予測のための階層型プロトタイプ学習
Authors: Zi Cai, Yu Liu, Zhiyao Luo, Tingting Zhu,
Abstract要約: ProtoEHRは、EHRデータのリッチでマルチレベルの構造を利用して、医療予測を強化する、解釈可能な階層型プロトタイプ学習フレームワークである。まず,大規模言語モデルを用いて医療コード間の意味的関係を抽出し,医用知識グラフを知識源として構築する。次に,3段階にわたる文脈的表現をキャプチャする階層的表現学習フレームワークを設計し,各レベルにプロトタイプ情報を組み込んで,固有の類似性を捕捉し,一般化を改善する。
参考スコア（独自算出の注目度）: 6.63303513347406
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Digital healthcare systems have enabled the collection of mass healthcare data in electronic healthcare records (EHRs), allowing artificial intelligence solutions for various healthcare prediction tasks. However, existing studies often focus on isolated components of EHR data, limiting their predictive performance and interpretability. To address this gap, we propose ProtoEHR, an interpretable hierarchical prototype learning framework that fully exploits the rich, multi-level structure of EHR data to enhance healthcare predictions. More specifically, ProtoEHR models relationships within and across three hierarchical levels of EHRs: medical codes, hospital visits, and patients. We first leverage large language models to extract semantic relationships among medical codes and construct a medical knowledge graph as the knowledge source. Building on this, we design a hierarchical representation learning framework that captures contextualized representations across three levels, while incorporating prototype information within each level to capture intrinsic similarities and improve generalization. To perform a comprehensive assessment, we evaluate ProtoEHR in two public datasets on five clinically significant tasks, including prediction of mortality, prediction of readmission, prediction of length of stay, drug recommendation, and prediction of phenotype. The results demonstrate the ability of ProtoEHR to make accurate, robust, and interpretable predictions compared to baselines in the literature. Furthermore, ProtoEHR offers interpretable insights on code, visit, and patient levels to aid in healthcare prediction.
Abstract（参考訳）: デジタルヘルスケアシステムは、電子医療記録(EHR)に大量の医療データを収集することを可能にし、さまざまな医療予測タスクのための人工知能ソリューションを可能にした。しかしながら、既存の研究は、しばしばEHRデータの独立したコンポーネントに焦点を当て、予測性能と解釈可能性を制限する。このギャップに対処するため、我々は、EHRデータのリッチでマルチレベルな構造をフル活用し、医療予測を強化する、解釈可能な階層型プロトタイプ学習フレームワークであるProtoEHRを提案する。より具体的には、ProtoEHRは、医療コード、病院訪問、患者の3つの階層レベルのEHR間の関係をモデル化する。まず,大規模言語モデルを用いて医療コード間の意味的関係を抽出し,医用知識グラフを知識源として構築する。これに基づいて,3段階にわたる文脈的表現をキャプチャする階層的表現学習フレームワークを設計し,各レベルにプロトタイプ情報を組み込んで本質的な類似性を捕捉し,一般化を改善する。総合的な評価を行うため, 死亡予測, 寛解予測, 滞在期間予測, 薬物推奨, 表現型予測など, 臨床的に重要な5つの課題を2つの公開データセットで評価した。その結果,ProtoEHRは文献のベースラインに比べて正確で頑健で解釈可能な予測を行うことができた。さらに、ProtoEHRは、コード、訪問、患者レベルに関する解釈可能な洞察を提供して、医療予測を支援している。

関連論文リスト

Integrating Genomics into Multimodal EHR Foundation Models [56.31910745104141]
本稿では,ポリジェニックリスクスコア(PRS)を基本データモダリティとして統合した,革新的なEHR基盤モデルを提案する。このフレームワークは、臨床データと遺伝子前置詞の複雑な関係を学習することを目的としている。このアプローチは、病気の予測、積極的な健康管理、リスク階層化、パーソナライズされた治療戦略に対する新たな洞察を解放するために重要である。
論文参考訳（メタデータ） (2025-10-24T15:56:40Z)
Multimodal Fusion of EHR in Structures and Semantics: Integrating Clinical Records and Notes with Hypergraph and LLM [39.25272553560425]
本稿では,EHRにおける構造と意味を効果的に統合するMINGLEという新しいフレームワークを提案する。本フレームワークでは,医療概念のセマンティクスと臨床ノートのセマンティクスをハイパーグラフニューラルネットワークに組み合わせるために,2段階の注入戦略を採用している。 2つのEHRデータセット(パブリックMIMIC-IIIとプライベートCRADLE)の実験結果から、MINGLEは予測性能を11.83%向上できることが示された。
論文参考訳（メタデータ） (2024-02-19T23:48:40Z)
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)
Next Visit Diagnosis Prediction via Medical Code-Centric Multimodal Contrastive EHR Modelling with Hierarchical Regularisation [0.0]
NECHOは,階層的正規化を伴う新しい医用コード中心のマルチモーダル・コントラスト学習フレームワークである。まず, 医用コード, 人口統計, 臨床ノートを含む多面的情報をネットワーク設計を用いて統合する。また,EHRデータの階層構造を学習するために,医療オントロジーにおける親レベル情報を用いてモダリティ固有のエンコーダを正規化する。
論文参考訳（メタデータ） (2024-01-22T01:58:32Z)
GraphCare: Enhancing Healthcare Predictions with Personalized Knowledge Graphs [44.897533778944094]
textscGraphCareは、外部知識グラフを使用してEHRベースの予測を改善するオープンワールドフレームワークである。本手法は,患者固有のKGを構築するために,大規模言語モデル(LLM)と外部生物医学的KGから知識を抽出する。 textscGraphCareは、4つの重要な医療予測タスクのベースラインを超えている。
論文参考訳（メタデータ） (2023-05-22T07:35:43Z)
Foresight -- Deep Generative Modelling of Patient Timelines using Electronic Health Records [46.024501445093755]
医学史の時間的モデリングは、将来の出来事を予測し、シミュレートしたり、リスクを見積り、代替診断を提案したり、合併症を予測するために使用することができる。我々は、文書テキストを構造化されたコード化された概念に変換するためにNER+Lツール(MedCAT)を使用する新しいGPT3ベースのパイプラインであるForesightを提示する。
論文参考訳（メタデータ） (2022-12-13T19:06:00Z)
Unsupervised Pre-Training on Patient Population Graphs for Patient-Level Predictions [48.02011627390706]
プレトレーニングは、コンピュータビジョン(CV)、自然言語処理(NLP)、医療画像など、機械学習のさまざまな分野で成功している。本稿では,患者結果の予測のために,教師なし事前学習を異種マルチモーダルEHRデータに適用する。提案手法は,人口レベルでのデータモデリングに有効であることがわかった。
論文参考訳（メタデータ） (2022-03-23T17:59:45Z)
MIMO: Mutual Integration of Patient Journey and Medical Ontology for Healthcare Representation Learning [49.57261599776167]
本稿では、医療表現学習と予測分析のための、エンドツーエンドの堅牢なトランスフォーマーベースのソリューション、患者旅行の相互統合、医療オントロジー(MIMO)を提案する。
論文参考訳（メタデータ） (2021-07-20T07:04:52Z)
Self-Supervised Graph Learning with Hyperbolic Embedding for Temporal Health Event Prediction [13.24834156675212]
本稿では,情報フローを組み込んだハイパーボリック埋め込み手法を提案する。我々は、これらの事前学習された表現をグラフニューラルネットワークに組み込んで、疾患の合併症を検出する。本稿では,EHRデータを完全に活用する自己教師付き学習フレームワークに,階層型で強化された履歴予測代行タスクを提案する。
論文参考訳（メタデータ） (2021-06-09T00:42:44Z)
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)
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。