論文の概要: Multi-Modal AI for Remote Patient Monitoring in Cancer Care
- arxiv url: http://arxiv.org/abs/2512.00949v1
- Date: Sun, 30 Nov 2025 16:01:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-02 19:46:34.514479
- Title: Multi-Modal AI for Remote Patient Monitoring in Cancer Care
- Title（参考訳）: がん治療における遠隔患者モニタリングのためのマルチモーダルAI
- Authors: Yansong Liu, Ronnie Stafford, Pramit Khetrapal, Huriye Kocadag, Graça Carvalho, Patricia de Winter, Maryam Imran, Amelia Snook, Adamos Hadjivasiliou, D. Vijay Anand, Weining Lin, John Kelly, Yukun Zhou, Ivana Drobnjak,
- Abstract要約: 遠隔患者モニタリングのためのマルチモーダルAIフレームワークを開発した。
本システムは,人口統計,ウェアラブルセンサ,日次調査,臨床イベントなど,HALO-Xプラットフォームからのマルチモーダルデータを統合する。
我々は、実世界のRPMデータの非同期性と不完全性を扱うためにマルチモーダルAIモデルを開発し、将来の有害事象の継続的なリスクを予測した。
- 参考スコア（独自算出の注目度）: 4.010677900462625
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: For patients undergoing systemic cancer therapy, the time between clinic visits is full of uncertainties and risks of unmonitored side effects. To bridge this gap in care, we developed and prospectively trialed a multi-modal AI framework for remote patient monitoring (RPM). This system integrates multi-modal data from the HALO-X platform, such as demographics, wearable sensors, daily surveys, and clinical events. Our observational trial is one of the largest of its kind and has collected over 2.1 million data points (6,080 patient-days) of monitoring from 84 patients. We developed and adapted a multi-modal AI model to handle the asynchronous and incomplete nature of real-world RPM data, forecasting a continuous risk of future adverse events. The model achieved an accuracy of 83.9% (AUROC=0.70). Notably, the model identified previous treatments, wellness check-ins, and daily maximum heart rate as key predictive features. A case study demonstrated the model's ability to provide early warnings by outputting escalating risk profiles prior to the event. This work establishes the feasibility of multi-modal AI RPM for cancer care and offers a path toward more proactive patient support.(Accepted at Europe NeurIPS 2025 Multimodal Representation Learning for Healthcare Workshop)
- Abstract（参考訳）: 全身的ながん治療を受ける患者にとって、診療所訪問までの時間は不確実性や、監視されていない副作用のリスクに満ちている。
このギャップを埋めるため,遠隔患者監視のためのマルチモーダルAIフレームワークを開発した。
本システムは,人口統計,ウェアラブルセンサ,日次調査,臨床イベントなど,HALO-Xプラットフォームからのマルチモーダルデータを統合する。
我々の観察試験は、その種類の中で最大のものの一つであり、84人の患者から2100万以上のデータポイント(6,080人の患者日)を収集した。
我々は、実世界のRPMデータの非同期性と不完全性を扱うためにマルチモーダルAIモデルを開発し、将来の有害事象の継続的なリスクを予測した。
このモデルは83.9%の精度(AUROC=0.70)を達成した。
特に、このモデルでは、過去の治療、ウェルネス・チェックイン、そして毎日の最大心拍数を重要な予測的特徴として挙げた。
ケーススタディでは、イベント前にリスクプロファイルをエスカレートすることで、モデルが早期警告を提供する能力を示した。
この研究は、がん治療のためのマルチモーダルAI RPMの実現可能性を確立し、より積極的な患者支援への道筋を提供する。
(ヨーロッパNeurIPS 2025 医療ワークショップにおけるマルチモーダル表現学習)
関連論文リスト
- An Explainable Hybrid AI Framework for Enhanced Tuberculosis and Symptom Detection [55.35661671061754]
結核は、特に資源に制限された遠隔地において、重要な世界的な健康問題である。
本稿では, 胸部X線による疾患および症状の検出を, 2つの頭部と自己監督頭部を統合することで促進する枠組みを提案する。
本モデルでは, 新型コロナウイルス, 結核, 正常症例の鑑別で98.85%の精度が得られ, マルチラベル症状検出では90.09%のマクロF1スコアが得られた。
論文 参考訳（メタデータ） (2025-10-21T17:18:55Z) - Machine Learning Solutions Integrated in an IoT Healthcare Platform for Heart Failure Risk Stratification [0.16863755729554883]
慢性心不全(HF)の管理は、現代医療において重要な課題である。
本稿では,HFリスクのある患者を識別するための機械学習(ML)技術に基づく予測モデルを提案する。
論文 参考訳（メタデータ） (2025-04-07T14:07:05Z) - 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) - MANGO: Multimodal Acuity traNsformer for intelliGent ICU Outcomes [11.385654412265461]
Intelligent ICU 結果に対する Multimodal Acuity traNsformer を提案する。
患者の容積状態、遷移、生命維持療法の必要性の予測を強化するように設計されている。
論文 参考訳（メタデータ） (2024-12-13T23:51:15Z) - Enhancing clinical decision support with physiological waveforms -- a multimodal benchmark in emergency care [0.9503773054285559]
本稿では,救急医療におけるマルチモーダル意思決定支援を推進すべく,データセットとベンチマークプロトコルを提案する。
本モデルでは, 人口統計, バイオメトリックス, バイタルサイン, 検査値, 心電図(ECG)波形を入力として, 放電診断と患者の劣化の双方を予測する。
論文 参考訳（メタデータ） (2024-07-25T08:21:46Z) - Advancing Head and Neck Cancer Survival Prediction via Multi-Label Learning and Deep Model Interpretation [7.698783025721071]
我々は,複数のHNC生存率を同時に予測するための,解釈可能なマルチラベル・マルチモーダル・ディープ・サバイバル予測フレームワーク IMLSP を提案する。
また、深層生存モデル視覚説明のために開発された、グラディエント重み付き時間イベント活性化マッピング手法であるGrad-TEAMを提案する。
論文 参考訳（メタデータ） (2024-05-09T01:30:04Z) - HiMAL: A Multimodal Hierarchical Multi-task Auxiliary Learning framework for predicting and explaining Alzheimer disease progression [0.0]
HiMAL (Hierarchical, Multi-task Auxiliary Learning) フレームワークを開発した。
軽度認知障害からアルツハイマー病への移行の経時的リスクを推定する補助的タスクとして認知複合機能を予測する。
論文 参考訳（メタデータ） (2024-04-04T05:30:03Z) - 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) - UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced
Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。
UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。
非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。
UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文 参考訳（メタデータ） (2020-10-22T02:28:11Z) - MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。
我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。
我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
論文 参考訳（メタデータ） (2020-10-08T15:30:17Z)
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。