論文の概要: VitalBench: A Rigorous Multi-Center Benchmark for Long-Term Vital Sign Prediction in Intraoperative Care

• arxiv url: http://arxiv.org/abs/2511.13757v1
• Date: Fri, 14 Nov 2025 06:33:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-19 16:23:52.683331
• Title: VitalBench: A Rigorous Multi-Center Benchmark for Long-Term Vital Sign Prediction in Intraoperative Care
• Title（参考訳）: VitalBench : 手術中の長期バイタルサイン予測のための厳密なマルチセンターベンチマーク
• Abstract要約: 術中のバイタルサイン予測に特化して設計された新しいベンチマークであるVitalBenchを紹介する。 VitalBenchには、2つの独立した医療センターで4000以上の手術を受けたデータが含まれている。 VitalBenchは、研究者がデータ処理の一貫性を確保しながら、アーキテクチャのイノベーションに集中できるようにする。
• 参考スコア（独自算出の注目度）: 9.95857648496512
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Intraoperative monitoring and prediction of vital signs are critical for ensuring patient safety and improving surgical outcomes. Despite recent advances in deep learning models for medical time-series forecasting, several challenges persist, including the lack of standardized benchmarks, incomplete data, and limited cross-center validation. To address these challenges, we introduce VitalBench, a novel benchmark specifically designed for intraoperative vital sign prediction. VitalBench includes data from over 4,000 surgeries across two independent medical centers, offering three evaluation tracks: complete data, incomplete data, and cross-center generalization. This framework reflects the real-world complexities of clinical practice, minimizing reliance on extensive preprocessing and incorporating masked loss techniques for robust and unbiased model evaluation. By providing a standardized and unified platform for model development and comparison, VitalBench enables researchers to focus on architectural innovation while ensuring consistency in data handling. This work lays the foundation for advancing predictive models for intraoperative vital sign forecasting, ensuring that these models are not only accurate but also robust and adaptable across diverse clinical environments. Our code and data are available at https://github.com/XiudingCai/VitalBench.
• Abstract（参考訳）: 術中におけるバイタルサインのモニタリングと予測は,患者の安全確保と手術成績の改善に不可欠である。 医療時系列予測のためのディープラーニングモデルの最近の進歩にもかかわらず、標準化されたベンチマークの欠如、不完全なデータ、限られたセンター間検証など、いくつかの課題が続いている。 これらの課題に対処するために,術中のバイタルサイン予測に特化して設計された新しいベンチマークであるVitalBenchを紹介する。 VitalBenchには、2つの独立した医療センターで4000以上の外科手術のデータが含まれており、完全なデータ、不完全なデータ、センター間の一般化という3つの評価トラックを提供している。 この枠組みは、臨床実践の現実的な複雑さを反映し、広範囲な前処理への依存を最小限に抑え、頑健で偏りのないモデル評価のためのマスク付き損失技法を取り入れている。 VitalBenchは、モデル開発と比較のための標準化された統一されたプラットフォームを提供することで、研究者はデータ処理の一貫性を確保しながら、アーキテクチャの革新に集中することができる。 この研究は、術中のバイタルサイン予測のための予測モデルを推し進める基盤を築き、これらのモデルが正確であるだけでなく、様々な臨床環境において堅牢で適応可能であることを保証する。 私たちのコードとデータはhttps://github.com/XiudingCai/VitalBench.comで公開されています。

関連論文リスト

• Real-World Multi-Modal and Longitudinal Lung Cancer Dataset [9.050510996987436]
  本研究では,現実的な条件下での幅広い学習パイプラインの評価を支援するために,新たにキュレートされたデータセットを提案する。 このデータセットは、合計1,365人の肺癌患者からなり、3つの画像モダリティ(全スライディング画像、CTスキャン、PETスキャン)、構造化された臨床データ、転写学的および経時的追跡および治療情報を含んでいる。 その結果、高いレベルの欠落にもかかわらず、相補的なモダリティを統合することで、ユニモーダルアプローチよりも予測性能が一貫して向上することが示された。
  論文  参考訳（メタデータ） (2026-09-04T14:35:10Z)
• Federated Learning for Multi-Center Sepsis Early Prediction with Privacy-Preserving [9.744444068585983]
  フェデレートラーニング(Federated Learning)により、複数の機関が、生データを直接共有したり、集中したりすることなく、予測モデルを共同で訓練することができる。 本研究は,多中心敗血症予測へのフェデレーション学習の適用を体系的に検討する。
  論文  参考訳（メタデータ） (2026-06-03T01:35:17Z)
• Delving Aleatoric Uncertainty in Medical Image Segmentation via Vision Foundation Models [56.29123284262618]
  本研究は,視覚基盤モデルの普遍的表現能力を生かして固有データ不確実性を推定することを提案する。 モデルのデコード表現の特徴の多様性を分析し,その特異値エネルギーを定量化し,各クラスに対する意味知覚尺度を定義する。 この基礎に基づいて,本研究は,(1)潜在的にノイズの多いサンプルを排除し,モデル学習品質を向上させるためのアレータリック不確実性認識データフィルタリング機構,(2)意味認識尺度に基づくトレーニング中にクラス固有の損失重みを適応的に調整する動的不確実性認識最適化戦略,およびトレーニング安定性を向上させるラベル認知機構の2つの不確実性駆動型アプリケーション戦略を設計する。
  論文  参考訳（メタデータ） (2026-04-13T03:59:54Z)
• Improving Cardiac Risk Prediction Using Data Generation Techniques [37.94487163156369]
  本研究は,実世界の観測と整合したリアルな臨床記録の合成のためのアーキテクチャを提案する。 主な目的は、心的リスク予測モデルの性能を高めるため、利用可能なデータセットのサイズと多様性を高めることである。
  論文  参考訳（メタデータ） (2025-12-19T10:17:00Z)
• SurvBench: A Standardised Preprocessing Pipeline for Multi-Modal Electronic Health Record Survival Analysis [2.74994442100348]
  本稿では、SurvBenchについて述べる。SurvBenchは、生のPhyloNetデータセットをマルチモーダルサバイバル分析のためのモデル対応テンソルに変換する、包括的でオープンソースの前処理パイプラインである。 SurvBenchは、MIMIC-IV、eICU、MC-MEDの3つの主要なクリティカルケアデータベースにデータローダを提供する。 パイプラインは厳格なデータ品質管理、データ漏洩を防止するための患者レベルの分割、明確な欠陥追跡、標準化された時間的集約を実装している。
  論文  参考訳（メタデータ） (2025-11-14T23:19:14Z)
• LUME-DBN: Full Bayesian Learning of DBNs from Incomplete data in Intensive Care [0.41292255339309664]
  不完全データから動的ベイズネットワークを学習するための新しいギブスサンプリング手法を提案する。 本手法は,重症心身障害患者のシミュレーションデータと実世界集中治療データの両方を用いて評価した。
  論文  参考訳（メタデータ） (2025-11-06T13:13:39Z)
• 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)
• Continually Evolved Multimodal Foundation Models for Cancer Prognosis [50.43145292874533]
  がん予後は、患者の予後と生存率を予測する重要なタスクである。 これまでの研究では、臨床ノート、医療画像、ゲノムデータなどの多様なデータモダリティを統合し、補完的な情報を活用している。 既存のアプローチには2つの大きな制限がある。まず、各病院の患者記録など、各種のトレーニングに新しく到着したデータを組み込むことに苦慮する。 第二に、ほとんどのマルチモーダル統合手法は単純化された結合やタスク固有のパイプラインに依存しており、モダリティ間の複雑な相互依存を捉えることができない。
  論文  参考訳（メタデータ） (2025-01-30T06:49:57Z)
• Masked Clinical Modelling: A Framework for Synthetic and Augmented Survival Data Generation [1.7769033811751995]
  本稿では,マスク付き言語モデリングに触発されたMCM(Masked Clinical Modelling)について紹介する。 MCMはデータ合成と条件付きデータ拡張の両方のために設計されている。 我々は,このプロトタイプをCox Proportional Hazardsモデルを用いてWHAS500データセット上で評価する。
  論文  参考訳（メタデータ） (2024-10-22T08:38:46Z)
• Multi-modal Data Binding for Survival Analysis Modeling with Incomplete Data and Annotations [19.560652381770243]
  我々は、モダリティと検閲されたサバイバルラベルにまたがる不完全なデータを同時に扱う新しいフレームワークを導入する。 我々のアプローチでは、高度な基礎モデルを用いて個々のモダリティを符号化し、それらを普遍的な表現空間に整列させる。 提案手法は,2つのサバイバル分析タスクにおいて,両者が適用したデータセットの予測精度に優れることを示す。
  論文  参考訳（メタデータ） (2024-07-25T02:55:39Z)
• How Deep is your Guess? A Fresh Perspective on Deep Learning for Medical Time-Series Imputation [6.547981908229007]
  アーキテクチャとフレームワークのバイアスがモデルのパフォーマンスにどのように影響するかを示します。 実験では、プリプロセッシングと実装の選択に基づいて、最大20%の性能変化を示す。 我々は,現在の深層計算法と医療要件の相違点を同定する。
  論文  参考訳（メタデータ） (2024-07-11T12:33:28Z)
• TrialBench: Multi-Modal Artificial Intelligence-Ready Clinical Trial Datasets [54.98321887435557]
  本稿では, マルチモーダル入力特徴と臨床治験設計における8つの重要な予測課題を網羅した, 精巧にキュレートされた23個のAI対応データセットについて述べる。 データセットのユーザビリティと信頼性を確保するため、各タスクに基本的な検証方法を提供する。 このようなオープンアクセスデータセットが利用可能になることは、臨床試験設計のための高度なAIアプローチの開発を促進することを期待する。
  論文  参考訳（メタデータ） (2024-06-30T09:13:10Z)
• Clairvoyance: A Pipeline Toolkit for Medical Time Series [95.22483029602921]
  時系列学習は、データ駆動の*クリニカルな意思決定支援のパンとバターである* Clairvoyanceは、ソフトウェアツールキットとして機能する、統合されたエンドツーエンドのオートMLフレンドリなパイプラインを提案する。 Clairvoyanceは、臨床時系列MLのための包括的で自動化可能なパイプラインの生存可能性を示す最初のものである。
  論文  参考訳（メタデータ） (2023-10-28T12:08:03Z)
• Safe AI for health and beyond -- Monitoring to transform a health service [51.8524501805308]
  機械学習アルゴリズムの出力を監視するために必要なインフラストラクチャを評価する。 モデルのモニタリングと更新の例を示す2つのシナリオを提示します。
  論文  参考訳（メタデータ） (2023-03-02T17:27:45Z)
• Self-Training with Improved Regularization for Sample-Efficient Chest X-Ray Classification [80.00316465793702]
  挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。 その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
  論文  参考訳（メタデータ） (2020-05-03T02:36:00Z)

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。