論文の概要: Chronic Kidney Disease Prognosis Prediction Using Transformer

• arxiv url: http://arxiv.org/abs/2511.02340v1
• Date: Tue, 04 Nov 2025 07:52:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 18:47:05.844084
• Title: Chronic Kidney Disease Prognosis Prediction Using Transformer
• Title（参考訳）: Transformer を用いた慢性腎臓病予後予測
• Authors: Yohan Lee, DongGyun Kang, SeHoon Park, Sa-Yoon Park, Kwangsoo Kim,
• Abstract要約: 慢性腎臓病(CKD)は世界の人口の10%近くに影響し、しばしば末期腎不全へと進行する。 マルチモーダル電子健康記録を用いたCKD進行予測のためのトランスフォーマーベースのフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 2.054117570146147
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Chronic Kidney Disease (CKD) affects nearly 10\% of the global population and often progresses to end-stage renal failure. Accurate prognosis prediction is vital for timely interventions and resource optimization. We present a transformer-based framework for predicting CKD progression using multi-modal electronic health records (EHR) from the Seoul National University Hospital OMOP Common Data Model. Our approach (\textbf{ProQ-BERT}) integrates demographic, clinical, and laboratory data, employing quantization-based tokenization for continuous lab values and attention mechanisms for interpretability. The model was pretrained with masked language modeling and fine-tuned for binary classification tasks predicting progression from stage 3a to stage 5 across varying follow-up and assessment periods. Evaluated on a cohort of 91,816 patients, our model consistently outperformed CEHR-BERT, achieving ROC-AUC up to 0.995 and PR-AUC up to 0.989 for short-term prediction. These results highlight the effectiveness of transformer architectures and temporal design choices in clinical prognosis modeling, offering a promising direction for personalized CKD care.
• Abstract（参考訳）: 慢性腎臓病(CKD)は世界の人口の約10%に影響を与え、しばしば末期腎不全へと進行する。 正確な予後予測は、時間的介入と資源最適化に不可欠である。 韓国国立大学附属病院 OMOP Common Data Model のマルチモーダル電子健康記録(EHR)を用いてCKD進行を予測するためのトランスフォーマーベースのフレームワークを提案する。 我々のアプローチ (\textbf{ProQ-BERT}) は、人口統計、臨床、実験室のデータを統合し、連続的な実験室の値に量子化に基づくトークン化と、解釈可能性のための注意機構を利用する。 本モデルでは,マスク付き言語モデルを用いて事前訓練を行い,段階3aから段階5への進行を予測する2段階分類タスクを各種フォローアップおよび評価期間にわたって微調整した。 症例は91,816例で,CEHR-BERTはCEHR-BERTより優れ,ROC-AUCは0.995例,PR-AUCは0.989例であった。 これらの結果は, 臨床予後モデリングにおけるトランスフォーマーアーキテクチャと時間的設計選択の有効性を強調し, パーソナライズされたCKDケアに有望な方向性を提供する。

関連論文リスト

• A Disease-Centric Vision-Language Foundation Model for Precision Oncology in Kidney Cancer [54.58205672910646]
  RenalCLIPは、腎腫瘤の特徴、診断、予後のための視覚言語基盤モデルである。 腎がんの完全な臨床ワークフローにまたがる10のコアタスクにおいて、優れたパフォーマンスと優れた一般化性を実現した。
  論文  参考訳（メタデータ） (2025-08-22T17:48:19Z)
• A SHAP-based explainable multi-level stacking ensemble learning method for predicting the length of stay in acute stroke [3.2906073576204955]
  既存の機械学習モデルは、最適以下の予測性能、限定的な一般化可能性を示し、システムレベルの要因を見落としている。 我々は,虚血性脳梗塞と出血性脳梗塞に対する解釈可能な多段階重ねアンサンブルモデルを開発した。 説明可能なアンサンブルモデルは,虚血性脳卒中におけるLOSの延長を効果的に予測する。 出血性脳卒中にはさらなる検証が必要である。
  論文  参考訳（メタデータ） (2025-05-30T01:08:26Z)
• Development and Validation of a Dynamic Kidney Failure Prediction Model based on Deep Learning: A Real-World Study with External Validation [30.273170207534637]
  慢性腎臓病(CKD)は公衆衛生上重要な問題となっている。 既存のモデルの多くは静的であり、病気の進行の時間的傾向を捉えていない。 我々は,リアルタイム腎不全の予測に,現実の電子健康記録からの一般的な経時的臨床指標を利用するダイナミックモデルを開発した。
  論文  参考訳（メタデータ） (2025-01-25T13:52:51Z)
• 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)
• Clinical Deterioration Prediction in Brazilian Hospitals Based on Artificial Neural Networks and Tree Decision Models [56.93322937189087]
  超強化ニューラルネットワーク(XBNet)は臨床劣化(CD)を予測するために用いられる XGBoostモデルはブラジルの病院のデータからCDを予測する最良の結果を得た。
  論文  参考訳（メタデータ） (2022-12-17T23:29:14Z)
• 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)
• On the explainability of hospitalization prediction on a large COVID-19 patient dataset [45.82374977939355]
  我々は、新型コロナウイルス陽性の米国の患者の大規模な(110ドル以上)コホートでの入院を予測するために、さまざまなAIモデルを開発した。 高いデータアンバランスにもかかわらず、モデルは平均精度0.96-0.98 (0.75-0.85)、リコール0.96-0.98 (0.74-0.85)、F_score097-0.98 (0.79-0.83)に達する。
  論文  参考訳（メタデータ） (2021-10-28T10:23:38Z)
• Synthesizing time-series wound prognosis factors from electronic medical records using generative adversarial networks [0.0]
  創傷予後因子を合成するためにgans(time series medical generative adversarial networks)を開発した。 条件付きトレーニング戦略は, 癒しや非癒しの観点から, 訓練の強化と分類データの生成に活用された。
  論文  参考訳（メタデータ） (2021-05-03T20:26:48Z)
• A Knowledge Distillation Ensemble Framework for Predicting Short and Long-term Hospitalisation Outcomes from Electronic Health Records Data [5.844828229178025]
  既存の結果予測モデルは、頻繁なポジティブな結果の低いリコールに悩まされる。 我々は、死亡率とICUの受け入れによって表される逆さを自動的に予測する、高度にスケーリング可能な、堅牢な機械学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-11-18T15:56:28Z)
• Joint Prediction and Time Estimation of COVID-19 Developing Severe Symptoms using Chest CT Scan [49.209225484926634]
  術後に重篤な症状を発症するかどうかを判定するための共同分類法と回帰法を提案する。 提案手法は,各試料の重量を考慮し,外乱の影響を低減し,不均衡な分類の問題を検討する。 提案手法では, 重症症例の予測精度76.97%, 相関係数0.524, 変換時間0.55日差が得られた。
  論文  参考訳（メタデータ） (2020-05-07T12:16:37Z)

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。