Fugu-MT 論文翻訳(概要): Sepsis Prediction Using Graph Convolutional Networks over Patient-Feature-Value Triplets

論文の概要: Sepsis Prediction Using Graph Convolutional Networks over Patient-Feature-Value Triplets

arxiv url: http://arxiv.org/abs/2512.05416v1
Date: Fri, 05 Dec 2025 04:30:48 GMT
ステータス: 翻訳完了
システム内更新日: 2025-12-13 22:40:56.898267
Title: Sepsis Prediction Using Graph Convolutional Networks over Patient-Feature-Value Triplets
Title（参考訳）: 患者特徴値トリプレット上のグラフ畳み込みネットワークを用いたセプシス予測
Authors: Bozhi Dan, Di Wu, Ji Xu, Xiang Liu, Yiziting Zhu, Xin Shu, Yujie Li, Bin Yi,
Abstract要約: 本稿では,単一ブランチグラフ畳み込みモデルであるTriplet-GCNを提案する。グラフ畳み込みネットワーク(GCN)と軽量多層パーセプトロン(MLP)を用いて患者埋め込みを学習する。
参考スコア（独自算出の注目度）: 10.151360630975482
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In the intensive care setting, sepsis continues to be a major contributor to patient illness and death; however, its timely detection is hindered by the complex, sparse, and heterogeneous nature of electronic health record (EHR) data. We propose Triplet-GCN, a single-branch graph convolutional model that represents each encounter as patient--feature--value triplets, constructs a bipartite EHR graph, and learns patient embeddings via a Graph Convolutional Network (GCN) followed by a lightweight multilayer perceptron (MLP). The pipeline applies type-specific preprocessing -- median imputation and standardization for numeric variables, effect coding for binary features, and mode imputation with low-dimensional embeddings for rare categorical attributes -- and initializes patient nodes with summary statistics, while retaining measurement values on edges to preserve "who measured what and by how much". In a retrospective, multi-center Chinese cohort (N = 648; 70/30 train--test split) drawn from three tertiary hospitals, Triplet-GCN consistently outperforms strong tabular baselines (KNN, SVM, XGBoost, Random Forest) across discrimination and balanced error metrics, yielding a more favorable sensitivity--specificity trade-off and improved overall utility for early warning. These findings indicate that encoding EHR as triplets and propagating information over a patient--feature graph produce more informative patient representations than feature-independent models, offering a simple, end-to-end blueprint for deployable sepsis risk stratification.
Abstract（参考訳）: 集中治療環境では、敗血症は患者の病気や死の主要な要因であり続けているが、そのタイムリーな検出は、電子健康記録(EHR)データの複雑で疎外的で異質な性質によって妨げられている。本稿では,2部構成のEHRグラフを構築し,グラフ畳み込みネットワーク (GCN) と軽量多層パーセプトロン (MLP) を用いて患者埋め込みを学習する,単一ブランチグラフ畳み込みモデルTriplet-GCNを提案する。パイプラインには、型固有の前処理 -- 数値変数の中央値の計算と標準化、バイナリ機能に対するエフェクトコーディング、希少なカテゴリ属性に対する低次元の埋め込みによるモードの計算 -- が適用されている。振り返りにおいて、3つの第3次病院から引き出された多中心中国のコホート(N = 648; 70/30の列車試験分割)では、Triplet-GCNは、差別とバランスの取れたエラーメトリクスにわたって強力なタブ状ベースライン(KNN、SVM、XGBoost、ランダムフォレスト)を一貫して上回り、より良好な感度-特異性のトレードオフをもたらし、早期警告のための全体的なユーティリティを改善している。これらの結果から, EHR を三重項として符号化し, 患者グラフ上で情報を伝達することにより, 特徴に依存しないモデルよりも, より情報的な患者表現が得られ, 展開可能な敗血症リスク層形成のための簡易でエンドツーエンドの青写真が提供されることがわかった。

関連論文リスト

Structured Spectral Graph Representation Learning for Multi-label Abnormality Analysis from 3D CT Scans [0.0]
3次元胸部CTスキャンのマルチラベル分類は依然として重要な課題である。 3次元畳み込みニューラルネットワークに基づく既存の手法は、長距離依存を捉えるのに苦労する。本稿では3次元CTボリュームを構造化グラフとして表現するグラフベースの新しいフレームワークを提案する。
論文参考訳（メタデータ） (2025-10-12T19:49:51Z)
TRELLIS-Enhanced Surface Features for Comprehensive Intracranial Aneurysm Analysis [2.624902795082451]
頭蓋内大動脈瘤は, 注釈付き3Dデータによる検出, デライン化, モデル化が困難である。本稿では,大規模非医学的3次元データセットに基づいて学習した生成モデルTRELLISで学習した潜在幾何学的埋め込みを利用したクロスドメイン特徴伝達手法を提案する。
論文参考訳（メタデータ） (2025-09-03T07:51:17Z)
Bridging Graph and State-Space Modeling for Intensive Care Unit Length of Stay Prediction [14.897714298219569]
ICU LOS予測のための多視点グラフニューラルネットワーク(GNN)を用いた状態空間シーケンスモデリングを統一した新しいニューラルネットワークであるS$2$G-Netを提案する。大規模なMIMIC-IVコホートデータセットの実験では、S$2$G-Netはシーケンスモデルより一貫して優れていた。
論文参考訳（メタデータ） (2025-08-24T23:32:25Z)
A Generative Framework for Predictive Modeling of Multiple Chronic Conditions Using Graph Variational Autoencoder and Bandit-Optimized Graph Neural Network [0.0]
複数の慢性疾患(MCC)の出現を予測することは、早期介入とパーソナライズされた医療にとって重要である。グラフニューラルネットワーク(GNN)は、MCCに見られるような複雑なグラフデータをモデリングするための効果的な手法である。本稿では,データ分布を利用してグラフ構造を代表的に構築するGNNのための新しい生成フレームワークを提案する。
論文参考訳（メタデータ） (2024-09-20T17:26:38Z)
TokenUnify: Scaling Up Autoregressive Pretraining for Neuron Segmentation [65.65530016765615]
本稿では,3つの相補的な学習目標を通じて,大規模依存関係をキャプチャする階層型予測コーディングフレームワークを提案する。 TokenUnifyは、ランダムトークン予測、次のトークン予測、およびすべてのトークン予測を統合して、包括的な表現空間を作成する。また,120億個の注釈付きボクセルを付加した大規模EMデータセットを導入し,空間連続性を持つ理想的な長周期視覚データを提供する。
論文参考訳（メタデータ） (2024-05-27T05:45:51Z)
Predicting Infant Brain Connectivity with Federated Multi-Trajectory GNNs using Scarce Data [54.55126643084341]
既存のディープラーニングソリューションには,3つの大きな制限がある。我々はフェデレートグラフベースの多軌道進化ネットワークであるFedGmTE-Net++を紹介する。フェデレーションの力を利用して、限られたデータセットを持つ多種多様な病院の地域学習を集約する。
論文参考訳（メタデータ） (2024-01-01T10:20:01Z)
AdaMedGraph: Adaboosting Graph Neural Networks for Personalized Medicine [31.424781716926848]
我々は,複数の患者類似性グラフを構築するために重要な特徴を自動選択するアルゴリズム,我が社の提案するアルゴリズムを提案する。実世界の医療シナリオを2つ評価し,優れた成績を示した。
論文参考訳（メタデータ） (2023-11-24T06:27:25Z)
Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
論文参考訳（メタデータ） (2022-04-19T10:41:09Z)
Generalizing electrocardiogram delineation: training convolutional neural networks with synthetic data augmentation [63.51064808536065]
ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
論文参考訳（メタデータ） (2021-11-25T10:11:41Z)
Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文参考訳（メタデータ） (2021-04-07T06:02:04Z)
BiteNet: Bidirectional Temporal Encoder Network to Predict Medical Outcomes [53.163089893876645]
本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
論文参考訳（メタデータ） (2020-09-24T00:42:36Z)

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。