論文の概要: Adaptive Identification and Modeling of Clinical Pathways with Process Mining

• arxiv url: http://arxiv.org/abs/2512.03787v1
• Date: Wed, 03 Dec 2025 13:37:37 GMT
• ステータス: 情報取得中
• システム内更新日: 2025-12-04 12:06:28.283429
• Title: Adaptive Identification and Modeling of Clinical Pathways with Process Mining
• Title（参考訳）: プロセスマイニングによる臨床パスの適応同定とモデリング
• Authors: Francesco Vitale, Nicola Mazzocca,
• Abstract要約: 臨床経路は、患者の治療手順をモデル化する専門的な医療計画である。 プロセスマイニングを用いた2相モデリング手法を提案する。 我々はSARS-CoV-2感染症に対する患者治療をシミュレーションするベンチマークデータセットであるSyntheaを用いたアプローチを実証した。
• 参考スコア（独自算出の注目度）: 4.810514867998534
• License:
• Abstract: Clinical pathways are specialized healthcare plans that model patient treatment procedures. They are developed to provide criteria-based progression and standardize patient treatment, thereby improving care, reducing resource use, and accelerating patient recovery. However, manual modeling of these pathways based on clinical guidelines and domain expertise is difficult and may not reflect the actual best practices for different variations or combinations of diseases. We propose a two-phase modeling method using process mining, which extends the knowledge base of clinical pathways by leveraging conformance checking diagnostics. In the first phase, historical data of a given disease is collected to capture treatment in the form of a process model. In the second phase, new data is compared against the reference model to verify conformance. Based on the conformance checking results, the knowledge base can be expanded with more specific models tailored to new variants or disease combinations. We demonstrate our approach using Synthea, a benchmark dataset simulating patient treatments for SARS-CoV-2 infections with varying COVID-19 complications. The results show that our method enables expanding the knowledge base of clinical pathways with sufficient precision, peaking to 95.62% AUC while maintaining an arc-degree simplicity of 67.11%.
• Abstract（参考訳）: 臨床経路は、患者の治療手順をモデル化する専門的な医療計画である。 基準ベースの進行を提供し、患者の治療を標準化し、それによってケアを改善し、リソース使用を減らし、患者の回復を加速する。 しかし、臨床ガイドラインや専門知識に基づくこれらの経路の手動モデリングは困難であり、病気のバリエーションや組み合わせに関する実際のベストプラクティスを反映していない可能性がある。 本稿では, プロセスマイニングを用いた2段階モデリング手法を提案する。 第1段階では、与えられた疾患の履歴データを収集し、プロセスモデルとして処理をキャプチャする。 第2フェーズでは、参照モデルに対して新しいデータを比較して適合性を検証する。 適合性チェックの結果に基づいて、知識ベースを、新しい変種や疾患の組み合わせに合わせて、より具体的なモデルで拡張することができる。 我々は,SARS-CoV-2感染症に対する各種合併症の患者治療をシミュレーションするベンチマークデータセットであるSyntheaを用いたアプローチを実証した。 その結果, クリニカルパスの知識ベースを十分な精度で拡張し, 極度単純度67.11%を維持しつつ, 最大95.62%のAUCを実現することができた。

関連論文リスト

• Prior-informed optimization of treatment recommendation via bandit algorithms trained on large language model-processed historical records [0.6875312133832079]
  現在の医療実践は、患者個別のバリエーションを無視した標準化された治療枠組みと経験的手法に依存している。 本研究では,Large Language Models (LLMs), Conditional Tabular Generative Adversarial Networks (CTGAN), T-learner counterfactual model, and contextual bandit approachを統合した総合システムを構築した。
  論文  参考訳（メタデータ） (2025-10-21T18:57:00Z)
• 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)
• An Explainable AI Model for Predicting the Recurrence of Differentiated Thyroid Cancer [0.0]
  本研究は,甲状腺癌の再発を予測するために,機械学習,特にディープラーニングモデルを用いている。 患者の臨床病理学的特徴を含むデータセットを解析することにより、トレーニング中の98%、テスト中の96%の顕著な精度を達成できた。
  論文  参考訳（メタデータ） (2024-10-13T23:12:33Z)
• Personalised Drug Identifier for Cancer Treatment with Transformers using Auxiliary Information [5.2992434144875515]
  がんは、臨床と経済の負担が増大しているため、依然としてグローバルな課題である。 ゲノムプロファイリングは 臨床診断パネルの一部になりつつある このようなパネルを効果的に活用するには、厳密な薬物反応予測(英語版)モデルが必要である。 現在シンガポールの国立大学病院で実施されており,臨床試験で評価されている治療推薦システム(TRS)の設計について紹介する。
  論文  参考訳（メタデータ） (2024-02-16T10:29:25Z)
• Framework based on complex networks to model and mine patient pathways [0.6749750044497732]
  いわゆる「患者の道」は、臨床および組織的な決定を支援する新しい研究分野である。 i) マルチアスペクトグラフに基づく経路モデル, (ii) 経過時間を考慮した経路比較のための新しい相似性測定, および (iii) 経路の最も関連性の高いステップを発見するための従来の集中度尺度に基づくマイニング手法からなるフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-25T15:11:52Z)
• TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic Tree-Based Memory Network [54.332862955411656]
  臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。 近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。 本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
  論文  参考訳（メタデータ） (2023-07-19T12:35:09Z)
• A Transformer-based representation-learning model with unified processing of multimodal input for clinical diagnostics [63.106382317917344]
  本稿では,マルチモーダル入力を統一的に処理する臨床診断支援として,トランスフォーマーを用いた表現学習モデルについて報告する。 統一モデルは, 肺疾患の同定において, 画像のみのモデル, 非統一型マルチモーダル診断モデルより優れていた。
  論文  参考訳（メタデータ） (2023-06-01T16:23:47Z)
• Benchmarking Heterogeneous Treatment Effect Models through the Lens of Interpretability [82.29775890542967]
  治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。 ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。 我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
  論文  参考訳（メタデータ） (2022-06-16T17:59:05Z)
• Open-Set Recognition of Breast Cancer Treatments [91.3247063132127]
  オープンセット認識は、テストサンプルをトレーニングや"未知"から既知のクラスの1つに分類することで、分類タスクを一般化する 乳がん患者データに対して,画像データセットの最先端結果を実現するガウス混合変分オートエンコーダモデルを適用した。 より正確でロバストな分類結果が得られ,F1の平均値が24.5%上昇したばかりでなく,臨床環境への展開性の観点からも,オープンセット認識の再検討を行った。
  論文  参考訳（メタデータ） (2022-01-09T04:35:55Z)
• Development of patients triage algorithm from nationwide COVID-19 registry data based on machine learning [1.0323063834827415]
  本稿では,機械学習技術を用いた重症度評価モデルの開発過程について述べる。 モデルは基本的な患者の基本的個人データのみを必要とするため、患者は自身の重症度を判断できる。 本研究の目的は、患者が自身の重症度をチェックできる医療システムを構築し、同様の重症度を持つ他の患者の過去の治療内容に基づいて、適切な診療所への訪問を通知することである。
  論文  参考訳（メタデータ） (2021-09-18T19:56:27Z)
• Estimating Counterfactual Treatment Outcomes over Time Through Adversarially Balanced Representations [114.16762407465427]
  時間とともに治療効果を推定するためにCRN(Counterfactual Recurrent Network)を導入する。 CRNは、患者履歴のバランスの取れた表現を構築するために、ドメイン敵のトレーニングを使用する。 本モデルでは, 正解率の予測と適切な治療時期の選択において, 誤差の低減を図っている。
  論文  参考訳（メタデータ） (2020-02-10T20:47:36Z)

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。