論文の概要: Automated Hierarchical Graph Construction for Multi-source Electronic Health Records

• arxiv url: http://arxiv.org/abs/2509.06576v1
• Date: Mon, 08 Sep 2025 11:45:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 14:07:04.096772
• Title: Automated Hierarchical Graph Construction for Multi-source Electronic Health Records
• Title（参考訳）: マルチソース電子健康記録のための階層グラフの自動構築
• Authors: Yinjie Wang, Doudou Zhou, Yue Liu, Junwei Lu, Tianxi Cai,
• Abstract要約: 我々は、ニューラルネットワークを用いた機関間で医療コードを整列する完全に自動化されたフレームワークであるMASHを提案する。 MASHは、事前訓練された言語モデル、共起パターン、テキスト記述、教師付きラベルからの情報を統合する。 不均一な臨床データのナビゲーションと理解を容易にする解釈可能な階層グラフを生成する。
• 参考スコア（独自算出の注目度）: 17.122817545326928
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Electronic Health Records (EHRs), comprising diverse clinical data such as diagnoses, medications, and laboratory results, hold great promise for translational research. EHR-derived data have advanced disease prevention, improved clinical trial recruitment, and generated real-world evidence. Synthesizing EHRs across institutions enables large-scale, generalizable studies that capture rare diseases and population diversity, but remains hindered by the heterogeneity of medical codes, institution-specific terminologies, and the absence of standardized data structures. These barriers limit the interpretability, comparability, and scalability of EHR-based analyses, underscoring the need for robust methods to harmonize and extract meaningful insights from distributed, heterogeneous data. To address this, we propose MASH (Multi-source Automated Structured Hierarchy), a fully automated framework that aligns medical codes across institutions using neural optimal transport and constructs hierarchical graphs with learned hyperbolic embeddings. During training, MASH integrates information from pre-trained language models, co-occurrence patterns, textual descriptions, and supervised labels to capture semantic and hierarchical relationships among medical concepts more effectively. Applied to real-world EHR data, including diagnosis, medication, and laboratory codes, MASH produces interpretable hierarchical graphs that facilitate the navigation and understanding of heterogeneous clinical data. Notably, it generates the first automated hierarchies for unstructured local laboratory codes, establishing foundational references for downstream applications.
• Abstract（参考訳）: エレクトロニック・ヘルス・レコーズ(EHR)は、診断、医薬品、検査結果などの様々な臨床データで構成されており、翻訳研究に大きな可能性を秘めている。 EHRから得られたデータは、先進的な疾患予防、臨床試験の募集の改善、そして現実世界の証拠を生み出している。 機関間での EHR の合成は、希少な疾患や人口の多様性を捉える大規模で一般化可能な研究を可能にするが、医療コードの不均一性、制度固有の用語、標準化されたデータ構造が欠如していることによって妨げられている。 これらの障壁は、分散した異種データから有意義な洞察を調和させ抽出する堅牢な方法の必要性を浮き彫りにして、EHRに基づく分析の解釈可能性、コンパラビリティ、スケーラビリティを制限する。 この問題を解決するために、我々は、ニューラルネットワークを用いた機関間の医療コードを整列する完全に自動化されたフレームワークであるMASH(Multi-source Automated Structured Hierarchy)を提案し、階層グラフと学習された双曲的埋め込みを構築する。 トレーニング中、MASHはトレーニング済みの言語モデル、共起パターン、テキスト記述、教師付きラベルからの情報を統合し、医療概念間の意味的および階層的関係をより効果的に捉える。 診断、医薬、検査コードを含む現実世界のERHデータに適用すると、MASHは異種臨床データのナビゲーションと理解を容易にする解釈可能な階層グラフを生成する。 特に、非構造化ローカルな研究所コードのための最初の自動階層を生成し、下流アプリケーションのための基礎的な参照を確立する。

関連論文リスト

• HiRef: Leveraging Hierarchical Ontology and Network Refinement for Robust Medication Recommendation [17.45722229030237]
  我々は、ロバストメディカルレコメンデーション(HiRef)のための階層的オントロジーとネットワークリファインメントを提案する。 我々は、自然に木のような関係を捉え、共有された祖先を通して知識の伝達を可能にする双曲空間に実体を埋め込む。 本モデルは,EMHベンチマーク(MIMIC-IIIおよびMIMIC-IV)において高い性能を達成し,シミュレーションできないコード設定下で高い精度を維持する。
  論文  参考訳（メタデータ） (2025-08-14T07:55:03Z)
• Generating Clinically Realistic EHR Data via a Hierarchy- and Semantics-Guided Transformer [0.0]
  生成過程の新たなフレームワークとして階層型・意味型変換器(HiSGT)を提案する。 HiSGTは、親子関係と臨床コード間の兄弟関係をエンコードする階層グラフを構築し、階層認識の埋め込みを導出するためにグラフニューラルネットワークを使用する。 MIMIC-IIIおよびMIMIC-IVデータセットの実験により、HiSGTは実際の患者記録と合成データの統計的アライメントを大幅に改善することが示された。
  論文  参考訳（メタデータ） (2025-02-28T05:06:04Z)
• Causal Representation Learning from Multimodal Biomedical Observations [57.00712157758845]
  バイオメディカルデータセットの理解を容易にするために,マルチモーダルデータに対するフレキシブルな識別条件と原理的手法を開発した。 主要な理論的貢献は、モジュラリティ間の因果関係の構造的空間性である。 実世界のヒト表現型データセットの結果は、確立された生物医学研究と一致している。
  論文  参考訳（メタデータ） (2024-11-10T16:40:27Z)
• 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)
• A Review on Knowledge Graphs for Healthcare: Resources, Applications, and Promises [59.4999994297993]
  この総合的なレビューは、医療知識グラフ(HKG)の現状の概要を提供することを目的としている。 我々は,既存のHKGに関する文献を網羅的に分析し,その構築方法,活用技術,応用について考察した。 このレビューは、HKGsが生物医学研究や臨床実践に大きな影響を与える可能性を強調している。
  論文  参考訳（メタデータ） (2023-06-07T21:51:56Z)
• A Meta-embedding-based Ensemble Approach for ICD Coding Prediction [64.42386426730695]
  国際疾病分類 (icd) は、世界中で臨床コーディングに使われているデファクトコードである。 これらのコードにより、医療提供者は償還を請求し、診断情報の効率的な保管と検索を容易にします。 提案手法は,日常的な医学データと科学論文の外部知識を用いて,効果的に単語ベクトルを訓練することにより,神経モデルの性能を高める。
  論文  参考訳（メタデータ） (2021-02-26T17:49:58Z)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)

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。