Fugu-MT 論文翻訳(概要): OmniTFT: Omni Target Forecasting for Vital Signs and Laboratory Result Trajectories in Multi Center ICU Data

論文の概要: OmniTFT: Omni Target Forecasting for Vital Signs and Laboratory Result Trajectories in Multi Center ICU Data

arxiv url: http://arxiv.org/abs/2511.19485v1
Date: Sun, 23 Nov 2025 05:17:22 GMT
ステータス: 翻訳完了
システム内更新日: 2025-11-26 17:37:04.031778
Title: OmniTFT: Omni Target Forecasting for Vital Signs and Laboratory Result Trajectories in Multi Center ICU Data
Title（参考訳）: OmniTFT:Omni Target Forecasting for Vital Signs and Laboratory Result Trajectories in Multi Center ICU data
Authors: Wanzhe Xu, Yutong Dai, Yitao Yang, Martin Loza, Weihang Zhang, Yang Cui, Xin Zeng, Sung Joon Park, Kenta Nakai,
Abstract要約: OmniTFTは、高頻度のバイタルサインを共同で学習し、予測する深層学習フレームワークである。スライディングウィンドウ等化サンプリング、周波数認識型埋め込み収縮、階層変数選択、影響対応型アテンションキャリブレーションの4つの新しい手法を実装している。 MIMIC-III、MIMIC-IV、およびeICUデータセットにおいて、バイタルサインと実験結果の両方で大幅な性能向上を実現している。
参考スコア（独自算出の注目度）: 12.22073008865211
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Accurate multivariate time-series prediction of vital signs and laboratory results is crucial for early intervention and precision medicine in intensive care units (ICUs). However, vital signs are often noisy and exhibit rapid fluctuations, while laboratory tests suffer from missing values, measurement lags, and device-specific bias, making integrative forecasting highly challenging. To address these issues, we propose OmniTFT, a deep learning framework that jointly learns and forecasts high-frequency vital signs and sparsely sampled laboratory results based on the Temporal Fusion Transformer (TFT). Specifically, OmniTFT implements four novel strategies to enhance performance: sliding window equalized sampling to balance physiological states, frequency-aware embedding shrinkage to stabilize rare-class representations, hierarchical variable selection to guide model attention toward informative feature clusters, and influence-aligned attention calibration to enhance robustness during abrupt physiological changes. By reducing the reliance on target-specific architectures and extensive feature engineering, OmniTFT enables unified modeling of multiple heterogeneous clinical targets while preserving cross-institutional generalizability. Across forecasting tasks, OmniTFT achieves substantial performance improvement for both vital signs and laboratory results on the MIMIC-III, MIMIC-IV, and eICU datasets. Its attention patterns are interpretable and consistent with known pathophysiology, underscoring its potential utility for quantitative decision support in clinical care.
Abstract（参考訳）: 集中治療室(ICUs)の早期介入および精密医療において, 正確な多変量時系列予測と検査結果の予測が重要である。しかし、バイタルサインはしばしばうるさく、急激な変動を示すが、実験室では値の欠如、測定ラグ、デバイス固有のバイアスに悩まされており、統合予測は非常に困難である。これらの課題に対処するために,高頻度バイタルサインを共同で学習し,予測する深層学習フレームワークであるOmniTFTを提案する。特にOmniTFTは、生理的状態のバランスをとるためのスライディングウインドウ等化サンプリング、レアクラスの表現を安定させるために周波数対応の埋め込み収縮、情報的特徴クラスタに向けてモデルの注意を誘導するための階層的変数選択、突然の生理的変化における堅牢性を高めるために影響対応の注意校正の4つの新しい手法を実装した。 OmniTFTは、ターゲット固有のアーキテクチャへの依存を減らし、広範な特徴工学を生かし、多種多様な臨床ターゲットの統一モデリングを可能にし、施設間の一般化性を維持した。予測タスク全体にわたって、OmniTFTは、MIMIC-III、MIMIC-IV、およびeICUデータセット上で、バイタルサインと実験結果の両方において、大幅なパフォーマンス改善を実現している。その注意パターンは、既知の病態と解釈可能で整合しており、臨床医療における定量的意思決定支援の潜在的有用性を示している。

関連論文リスト

Transparent Early ICU Mortality Prediction with Clinical Transformer and Per-Case Modality Attribution [42.85462513661566]
ICU滞在後48時間から, 生理的時系列測定と非構造的臨床記録とを融合した, 軽量で透明なマルチモーダルアンサンブルを提案する。ロジスティック回帰モデルは、バイタル用双方向LSTMとノート用微調整された臨床ModernBERT変換器の2つのモード固有モデルからの予測を組み合わせる。 MIMIC-IIIベンチマークでは、遅延融合アンサンブルは、よく校正された予測を維持しながら、最高の単一モデルに対する差別を改善する。
論文参考訳（メタデータ） (2025-11-19T20:11:49Z)
MedFuse: Multiplicative Embedding Fusion For Irregular Clinical Time Series [13.933658032225317]
MuFuse モジュールをベースとした不規則な臨床時系列のフレームワーク MedFuse を提案する。 3つの実世界のデータセットの実験によると、MedFuseは、主要な予測タスクにおける最先端のベースラインを一貫して上回っている。これらの結果は、不規則な臨床時系列をモデル化するための一般化可能なアプローチとしてMedFuseを確立している。
論文参考訳（メタデータ） (2025-11-12T12:10:07Z)
Estimating Clinical Lab Test Result Trajectories from PPG using Physiological Foundation Model and Patient-Aware State Space Model -- a UNIPHY+ Approach [5.103773025435573]
Photoplethysmogram (PHY) は、心血管動態を反映する非侵襲的、連続的に記録された集中治療単位(ICU)の信号である。 UNI+Labは,局所波形符号化のための大規模PPG基盤モデルと,長距離時間モデルのための患者対応Mambaモデルを組み合わせたフレームワークである。
論文参考訳（メタデータ） (2025-09-19T18:38:06Z)
From Promise to Practical Reality: Transforming Diffusion MRI Analysis with Fast Deep Learning Enhancement [35.368152968098194]
FastFOD-Netは、FODを優れたパフォーマンスで強化し、臨床使用のためのトレーニング/推論効率を提供するエンドツーエンドのディープラーニングフレームワークである。この研究は、拡散MRIの強化のための深層学習に基づく手法を、より広く採用し、臨床信頼を構築することを促進する。
論文参考訳（メタデータ） (2025-08-13T17:56:29Z)
A Novel Data Augmentation Strategy for Robust Deep Learning Classification of Biomedical Time-Series Data: Application to ECG and EEG Analysis [2.355460994057843]
本研究では,様々な信号タイプにまたがる最先端性能を実現する,新しい統合型深層学習フレームワークを提案する。従来の研究とは異なり、将来予測能力を達成するために信号の複雑さを科学的に増加させ、最高の予測を導いた。アーキテクチャには130MBのメモリとプロセスが10ミリ秒で必要であり、ローエンドデバイスやウェアラブルデバイスへのデプロイに適していることを示唆している。
論文参考訳（メタデータ） (2025-07-16T21:38:10Z)
Clinical NLP with Attention-Based Deep Learning for Multi-Disease Prediction [44.0876796031468]
本稿では,電子健康記録テキストの非構造的性質と高次元意味論的複雑さがもたらす課題について論じる。情報抽出と多ラベル病予測のための統合モデリングを実現するために,注意機構に基づく深層学習手法を提案する。
論文参考訳（メタデータ） (2025-07-02T07:45:22Z)
Generalised Label-free Artefact Cleaning for Real-time Medical Pulsatile Time Series [3.8195510803972454]
アーティファクトは、医療時系列の使用において臨床上の意思決定を損なう。我々は,リアルタイムなアーティファクト検出のための一般化されたラベルフリーフレームワークGenCleanを紹介する。
論文参考訳（メタデータ） (2025-04-29T22:28:06Z)
MELON: Multimodal Mixture-of-Experts with Spectral-Temporal Fusion for Long-Term Mobility Estimation in Critical Care [1.5237145555729716]
MELONは、医療現場における12時間移動状態を予測するための新しいフレームワークである。フロリダ州ゲインズビルにあるフロリダ・ヘルス・サンズ病院の9つの集中治療室を受診した126名の患者を対象に,MELONモデルを訓練・評価した。その結果、MELONは従来の12時間移動状態推定手法よりも優れていた。
論文参考訳（メタデータ） (2025-03-10T19:47:46Z)
Physical formula enhanced multi-task learning for pharmacokinetics prediction [54.13787789006417]
AIによる薬物発見の大きな課題は、高品質なデータの不足である。薬物動態の4つの重要なパラメータを同時に予測するPEMAL法を開発した。実験の結果,PEMALは一般的なグラフニューラルネットワークに比べてデータ需要を著しく低減することがわかった。
論文参考訳（メタデータ） (2024-04-16T07:42:55Z)
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)
Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
論文参考訳（メタデータ） (2020-10-20T08:36:51Z)

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。