論文の概要: A Multi-target Bayesian Transformer Framework for Predicting Cardiovascular Disease Biomarkers during Pandemics

• arxiv url: http://arxiv.org/abs/2509.01794v1
• Date: Mon, 01 Sep 2025 21:43:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.849208
• Title: A Multi-target Bayesian Transformer Framework for Predicting Cardiovascular Disease Biomarkers during Pandemics
• Title（参考訳）: 心血管疾患バイオマーカー予測のための多目的ベイズ変圧器フレームワーク
• Authors: Trusting Inekwe, Emmanuel Agu, Winnie Mkandawire, Andres Colubri,
• Abstract要約: 新型コロナウイルス(COvid-19)パンデミックは世界中の医療システムを破壊し、心血管疾患(CVD)などの慢性疾患の患者に不当に影響を及ぼした これらの破壊は、LDLコレステロール(LDL-C)、HbA1c、BMI、シストーリック血圧(SysBP)を含む主要なCVDバイオマーカーに影響を及ぼした EHRデータからCVDバイオマーカーを共同で予測するために,BERTをベースとしたMBT-CB(Multi-target Bayesian Transformer:MBT)を提案する。
• 参考スコア（独自算出の注目度）: 1.0569625612398383
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The COVID-19 pandemic disrupted healthcare systems worldwide, disproportionately impacting individuals with chronic conditions such as cardiovascular disease (CVD). These disruptions -- through delayed care and behavioral changes, affected key CVD biomarkers, including LDL cholesterol (LDL-C), HbA1c, BMI, and systolic blood pressure (SysBP). Accurate modeling of these changes is crucial for predicting disease progression and guiding preventive care. However, prior work has not addressed multi-target prediction of CVD biomarker from Electronic Health Records (EHRs) using machine learning (ML), while jointly capturing biomarker interdependencies, temporal patterns, and predictive uncertainty. In this paper, we propose MBT-CB, a Multi-target Bayesian Transformer (MBT) with pre-trained BERT-based transformer framework to jointly predict LDL-C, HbA1c, BMI and SysBP CVD biomarkers from EHR data. The model leverages Bayesian Variational Inference to estimate uncertainties, embeddings to capture temporal relationships and a DeepMTR model to capture biomarker inter-relationships. We evaluate MBT-CT on retrospective EHR data from 3,390 CVD patient records (304 unique patients) in Central Massachusetts during the Covid-19 pandemic. MBT-CB outperformed a comprehensive set of baselines including other BERT-based ML models, achieving an MAE of 0.00887, RMSE of 0.0135 and MSE of 0.00027, while effectively capturing data and model uncertainty, patient biomarker inter-relationships, and temporal dynamics via its attention and embedding mechanisms. MBT-CB's superior performance highlights its potential to improve CVD biomarker prediction and support clinical decision-making during pandemics.
• Abstract（参考訳）: 新型コロナウイルス(COVID-19)のパンデミックは世界中の医療システムを破壊し、心血管疾患(CVD)などの慢性疾患の患者に不当に影響を及ぼした。 これらの破壊は、遅延ケアと行動の変化を通じて、LDLコレステロール(LDL-C)、HbA1c、BMI、シストーリック血圧(SysBP)などの主要なCVDバイオマーカーに影響を及ぼした。 これらの変化の正確なモデリングは、疾患の進行を予測し、予防ケアを導くために重要である。 しかし、従来の研究は、機械学習(ML)を用いてElectronic Health Records(EHRs)のCVDバイオマーカーのマルチターゲット予測には対応していない。 本稿では,多目的ベイズ変圧器(MBT)とBERTベースの変圧器を併用したMBT-CBを提案し,EMHデータからLDL-C,HbA1c,BMI,SysBP CVDバイオマーカーを共同で予測する。 このモデルはベイズ変分推論を利用して不確実性を推定し、時間的関係を捉える埋め込みと、バイオマーカー相互関係を捉えるDeepMTRモデルを利用する。 Covid-19パンデミック期間中にマサチューセッツ州中部の3,390人のCVD患者(304人のユニークな患者)の振り返りEMHデータを用いてMTT-CTを評価した。 MBT-CBは、他のBERTベースのMLモデルを含む包括的なベースラインのセットを上回り、0.00887のMAE、0.0135のRMSE、0.00027のMSEを達成し、データとモデルの不確実性、患者バイオマーカーの相互関係、注意と埋め込み機構を通じて時間ダイナミクスを効果的に捉えた。 MBT-CBの優れた性能は、CVDバイオマーカーの予測を改善し、パンデミック時の臨床的意思決定を支援する可能性を強調している。

関連論文リスト

• LGE-Guided Cross-Modality Contrastive Learning for Gadolinium-Free Cardiomyopathy Screening in Cine CMR [51.11296719862485]
  CMRを用いたガドリニウムフリー心筋症スクリーニングのためのコントラシブラーニングおよびクロスモーダルアライメントフレームワークを提案する。 CMRとLate Gadolinium Enhancement (LGE) 配列の潜伏空間を整列させることにより, 本モデルでは線維症特異的な病理組織をCMR埋め込みにエンコードする。
  論文  参考訳（メタデータ） (2025-08-23T07:21:23Z)
• Adaptable Cardiovascular Disease Risk Prediction from Heterogeneous Data using Large Language Models [70.64969663547703]
  AdaCVDは、英国バイオバンクから50万人以上の参加者を対象に、大規模な言語モデルに基づいて構築された適応可能なCVDリスク予測フレームワークである。 包括的かつ可変的な患者情報を柔軟に取り込み、構造化データと非構造化テキストの両方をシームレスに統合し、最小限の追加データを使用して新規患者の集団に迅速に適応する。
  論文  参考訳（メタデータ） (2025-05-30T14:42:02Z)
• Finetuning and Quantization of EEG-Based Foundational BioSignal Models on ECG and PPG Data for Blood Pressure Estimation [53.2981100111204]
  光胸腺撮影と心電図は、連続血圧モニタリング(BP)を可能にする可能性がある。 しかし、データ品質と患者固有の要因の変化のため、正確で堅牢な機械学習(ML)モデルは依然として困難である。 本研究では,1つのモータリティで事前学習したモデルを効果的に利用して,異なる信号タイプの精度を向上させる方法について検討する。 本手法は, 拡張期BPの最先端精度を約1.5倍に向上し, 拡張期BPの精度を1.5倍に向上させる。
  論文  参考訳（メタデータ） (2025-02-10T13:33:12Z)
• Enhancing Glucose Level Prediction of ICU Patients through Hierarchical Modeling of Irregular Time-Series [4.101915841246237]
  本研究は, ICU患者における血糖値の予測を目的としたMulti-source Irregular Time-Series Transformer (MITST) を提案する。 MITSTは様々な臨床データ(検査結果、薬品、バイタルサインを含む)を事前に定義された集計なしで統合する。 MITSTは、AUROCで1.7ポイント(pp)、AUPRCで1.8ppという統計学的に有意な(p 0.001 )改善を達成している。
  論文  参考訳（メタデータ） (2024-11-03T03:03:11Z)
• Deep Metric Learning for the Hemodynamics Inference with Electrocardiogram Signals [14.972877620537686]
  我々は、中央の圧力ラベルを伴わない540万以上のECGを含むデータセットを使用して、自己教師型DMLモデルを事前トレーニングします。 8,172mPCWPラベルのECGを用いた教師付きDMLモデルでは,mPCWP回帰タスクの性能が著しく向上した。
  論文  参考訳（メタデータ） (2023-08-09T01:30:07Z)
• Simulation-based Inference for Cardiovascular Models [43.55219268578912]
  シミュレーションに基づく推論を用いて、波形をプラプシブルな生理的パラメータにマッピングする逆問題を解決する。 臨床応用5種類のバイオマーカーのin-silico不確実性解析を行った。 我々はMIMIC-III波形データベースを用いて,ビビオとシリカのギャップについて検討した。
  論文  参考訳（メタデータ） (2023-07-26T02:34:57Z)
• Transfer Learning improves MI BCI models classification accuracy in Parkinson's disease patients [50.591267188664666]
  運動運動に基づくBCI(MIBCI)は、パーキンソン病患者の能力向上と障害症状の軽減を可能にする。 精度と時間関連キャリブレーションの課題を克服するためには、高度なMotor Imagery BCI法が必要である。 本研究は, PD患者に対するMI BCIの精度向上を目的とした, 転写学習に基づくFBCSPアプローチを提案する。
  論文  参考訳（メタデータ） (2020-10-29T19:28:00Z)

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。