論文の概要: Building the EHR Foundation Model via Next Event Prediction

• arxiv url: http://arxiv.org/abs/2509.25591v1
• Date: Mon, 29 Sep 2025 23:27:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-01 17:09:04.362819
• Title: Building the EHR Foundation Model via Next Event Prediction
• Title（参考訳）: 次回イベント予測によるEHRファンデーションモデルの構築
• Authors: Zekai Chen, Arda Pekis, Kevin Brown,
• Abstract要約: Next Event Prediction(NEP)は、大規模言語モデルの時間的推論を強化するフレームワークである。 NEPは、疾患進行パターンと因果関係を明示的にモデル化する。 解析の結果,最先端の予測精度と臨床的に解釈可能な注意パターンの2つの利点が明らかになった。
• 参考スコア（独自算出の注目度）: 5.378917071184147
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Electronic Health Records (EHRs) contain rich temporal dynamics that conventional encoding approaches fail to adequately capture. While Large Language Models (LLMs) show promise for EHR modeling, they struggle to reason about sequential clinical events and temporal dependencies. We propose Next Event Prediction (NEP), a framework that enhances LLMs' temporal reasoning through autoregressive fine-tuning on clinical event sequences. By reformulating EHRs as timestamped event chains and predicting future medical events, NEP explicitly models disease progression patterns and causal relationships. Extensive evaluations across oncology survival prediction and clinical diagnosis tasks demonstrate NEP's superiority, outperforming specialized EHR models by 4.6% AUROC and general-purpose LLMs by 7.2% C-index in temporal reasoning tasks. Our analyses reveal dual benefits: state-of-the-art prediction accuracy combined with clinically interpretable attention patterns that align with known disease pathways.
• Abstract（参考訳）: 電子健康記録(Electronic Health Records, EHRs)は、従来のエンコーディングアプローチが適切に捕捉できないような、豊富な時間的ダイナミクスを含んでいる。 LLM(Large Language Models)は、EHRモデリングの約束を示す一方で、シーケンシャルな臨床イベントと時間的依存関係について考えるのに苦労している。 臨床イベントシーケンスの自己回帰微調整により,LLMの時間的推論を強化するフレームワークであるNext Event Prediction (NEP)を提案する。 EHRをタイムスタンプ化されたイベントチェーンとして再構成し、将来の医療イベントを予測することで、NEPは疾患の進行パターンと因果関係を明示的にモデル化する。 腫瘍学生存予測と臨床診断タスクにわたる広範囲な評価は、NEPの優位性を示し、特殊なERHモデルよりも4.6%AUROC、時間的推論タスクでは7.2%Cインデクスで汎用LSMを上回っている。 現状の予測精度と、既知の疾患経路と整合した臨床的に解釈可能な注意パターンを併用し、その2つの利点を明らかにした。

関連論文リスト

• Time-Aware Attention for Enhanced Electronic Health Records Modeling [8.4225455796455]
  TALE-EHR は Transformer ベースのフレームワークで,連続的な時間的ギャップを明示的にモデル化する,新たなタイムアウェアアテンション機構を備えている。 本手法は, 疾患進展予測などのタスクにおいて, 最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-07-20T07:32:41Z)
• Temporal Entailment Pretraining for Clinical Language Models over EHR Data [9.584923572354045]
  臨床領域における言語モデルのための新しい時間的包含事前学習目標を提案する。 本手法は, EHRセグメントを時間的に順序付けられた文対として定式化し, 後の状態が先行状態に関係しているか, 矛盾しているか, 中立であるかを決定するようモデルを訓練する。
  論文  参考訳（メタデータ） (2025-04-25T07:30:38Z)
• Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
  そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。 また,死亡率と臓器不全の関連性について有意な知見が得られた。
  論文  参考訳（メタデータ） (2024-07-28T02:42:36Z)
• TA-RNN: an Attention-based Time-aware Recurrent Neural Network Architecture for Electronic Health Records [0.0]
  リカレントニューラルネットワーク(RNN)のような深層学習手法を用いて、ERHを分析して疾患の進行をモデル化し、診断を予測する。 本研究では,TA-RNN(Time-Aware RNN)とTA-RNN-Autoencoder(TA-RNN-AE)という,RNNに基づく2つの解釈可能なDLアーキテクチャを提案する。 本研究では,不規則な時間間隔の影響を軽減するため,訪問時間間の時間埋め込みを取り入れることを提案する。
  論文  参考訳（メタデータ） (2024-01-26T07:34:53Z)
• 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)
• SurvLatent ODE : A Neural ODE based time-to-event model with competing risks for longitudinal data improves cancer-associated Deep Vein Thrombosis (DVT) prediction [68.8204255655161]
  本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。 そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。 SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
  論文  参考訳（メタデータ） (2022-04-20T17:28:08Z)
• 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)
• When in Doubt: Neural Non-Parametric Uncertainty Quantification for Epidemic Forecasting [70.54920804222031]
  既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。 不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。 本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
  論文  参考訳（メタデータ） (2021-06-07T18:31:47Z)
• Bidirectional Representation Learning from Transformers using Multimodal Electronic Health Record Data to Predict Depression [11.1492931066686]
  うつ病の予測のために,ERHシーケンス上で双方向の表現学習を行うための時間的深層学習モデルを提案する。 このモデルでは, 曲線(PRAUC)下において, 最良ベースラインモデルと比較して, 抑うつ予測において0.70から0.76まで, 精度・リコール面積の最大値が得られた。
  論文  参考訳（メタデータ） (2020-09-26T17:56:37Z)

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。