論文の概要: Temporally Detailed Hypergraph Neural ODEs for Type 2 Diabetes Progression Modeling

• arxiv url: http://arxiv.org/abs/2510.17211v1
• Date: Mon, 20 Oct 2025 06:54:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:39.338517
• Title: Temporally Detailed Hypergraph Neural ODEs for Type 2 Diabetes Progression Modeling
• Title（参考訳）: 2型糖尿病進行モデルのための時間的詳細ハイパーグラフニューラルネットワーク
• Authors: Tingsong Xiao, Yao An Lee, Zelin Xu, Yupu Zhang, Zibo Liu, Yu Huang, Jiang Bian, Serena Jingchuan Guo, Zhe Jiang,
• Abstract要約: 疾患進行モデリングは、患者の合併症が時間とともにどのように悪化するかを特徴づけ、予測することを目的としている。 この問題は、進行パターンの継続的な時間的ダイナミクスを学ぶ必要があるため、難しい。 既存の機械的およびデータ駆動の手法は、現実世界のデータから学ぶ適応性を欠いているか、進行軌道上の複雑な連続時間ダイナミクスを捉えていないかのいずれかである。
• 参考スコア（独自算出の注目度）: 14.111509829509243
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Disease progression modeling aims to characterize and predict how a patient's disease complications worsen over time based on longitudinal electronic health records (EHRs). Accurate modeling of disease progression, such as type 2 diabetes, can enhance patient sub-phenotyping and inform effective and timely interventions. However, the problem is challenging due to the need to learn continuous-time dynamics of progression patterns based on irregular-time event samples and patient heterogeneity (\eg different progression rates and pathways). Existing mechanistic and data-driven methods either lack adaptability to learn from real-world data or fail to capture complex continuous-time dynamics on progression trajectories. To address these limitations, we propose Temporally Detailed Hypergraph Neural Ordinary Differential Equation (TD-HNODE), which represents disease progression on clinically recognized trajectories as a temporally detailed hypergraph and learns the continuous-time progression dynamics via a neural ODE framework. TD-HNODE contains a learnable TD-Hypergraph Laplacian that captures the interdependency of disease complication markers within both intra- and inter-progression trajectories. Experiments on two real-world clinical datasets demonstrate that TD-HNODE outperforms multiple baselines in modeling the progression of type 2 diabetes and related cardiovascular diseases.
• Abstract（参考訳）: 疾患進行モデリングは、患者の病気の合併症が時間とともにどのように悪化するかを、縦断的な電子健康記録(EHR)に基づいて特徴づけ、予測することを目的としている。 2型糖尿病などの疾患進行の正確なモデリングは、患者のサブフェノタイピングを強化し、効果的でタイムリーな介入を通知することができる。 しかし、不規則な時間イベントサンプルと患者不均一性(進行速度と経路の異なる)に基づいて進行パターンの連続的時間ダイナミクスを学ぶ必要があるため、この問題は困難である。 既存の機械的およびデータ駆動の手法は、現実世界のデータから学ぶ適応性を欠いているか、進行軌道上の複雑な連続時間ダイナミクスを捉えていないかのいずれかである。 これらの制約に対処するために,臨床に認識されたトラジェクトリの病的進行を時間的に詳細なハイパーグラフとして表現し,ニューラルODEフレームワークを介して連続的な進行動態を学習するTD-HNODE(Temporally Detailed Hypergraph Neural Ordinary Differential Equation)を提案する。 TD-HNODEは学習可能なTD-Hypergraph Laplacianを含み、プログレッション内およびプログレッション間の両方の軌跡における疾患合併症マーカーの相互依存性をキャプチャする。 TD-HNODEは2型糖尿病と関連する心血管疾患の進行をモデル化する上で、複数のベースラインより優れていることが実証された。

関連論文リスト

• 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)
• Time-aware Heterogeneous Graph Transformer with Adaptive Attention Merging for Health Event Prediction [6.578298085691462]
  本稿では,疾患領域の知識を同化し,薬物と疾患の複雑な関係を解明するための新しい異種グラフ学習モデルを提案する。 2つの医療データセットで評価したところ、予測精度と解釈可能性の両方において顕著な改善が見られた。
  論文  参考訳（メタデータ） (2024-04-23T08:01:30Z)
• Causal Graph ODE: Continuous Treatment Effect Modeling in Multi-agent Dynamical Systems [70.84976977950075]
  実世界のマルチエージェントシステムは、しばしば動的で連続的であり、エージェントは時間とともにその軌道や相互作用を共進化させ、変化させる。 本稿では,グラフニューラルネットワーク(GNN)をODE関数として,エージェント間の連続的な相互作用をキャプチャする新しいモデルを提案する。 我々のモデルの主な革新は、治療の時間依存表現を学習し、ODE関数にそれらを組み込むことで、潜在的な結果の正確な予測を可能にすることである。
  論文  参考訳（メタデータ） (2024-02-29T23:07:07Z)
• Time-dependent Probabilistic Generative Models for Disease Progression [0.0]
  医療イベント間の不規則な時間間隔をモデル化するためのマルコフ的治療生成モデルを提案する。 予測最大化アルゴリズムを用いてモデルを学習し,動的プログラミング法を用いて効率よく解法する。
  論文  参考訳（メタデータ） (2023-11-15T21:00:00Z)
• Benchmarking Continuous Time Models for Predicting Multiple Sclerosis Progression [46.394865849252696]
  多発性硬化症(英: multiple sclerosis)は、脳と脊髄に影響を及ぼす疾患であり、重度の障害を引き起こす可能性があり、既知の治療法がない。 最近の論文では, 成績評価と人口統計データを用いて, 疾患の進行を効果的に予測できることが示されている。 公開されている多発性硬化症データセットを用いて、4つの連続時間モデルをベンチマークする。 最高の継続的モデルは、しばしば最高のベンチマークされた個別の時間モデルより優れていることが分かりました。
  論文  参考訳（メタデータ） (2023-02-15T18:45:32Z)
• 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)
• 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。