論文の概要: Beyond Traditional Diagnostics: Transforming Patient-Side Information into Predictive Insights with Knowledge Graphs and Prototypes

• arxiv url: http://arxiv.org/abs/2512.08261v1
• Date: Tue, 09 Dec 2025 05:37:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-10 22:28:07.822019
• Title: Beyond Traditional Diagnostics: Transforming Patient-Side Information into Predictive Insights with Knowledge Graphs and Prototypes
• Title（参考訳）: 従来の診断を超えて:知識グラフとプロトタイプを用いた患者側情報を予測指標に変換する
• Authors: Yibowen Zhao, Yinan Zhang, Zhixiang Su, Lizhen Cui, Chunyan Miao,
• Abstract要約: 本稿では,病気を予測するための知識グラフ,プロトタイプ認識,解釈可能なフレームワークを提案する。 構造化された信頼された医療知識を統合された疾患知識グラフに統合し、臨床的に意味のある疾患のプロトタイプを構築し、予測精度を高めるために対照的な学習を利用する。 臨床的に有効な説明を提供し、患者の物語と密接に一致し、患者中心のヘルスケアデリバリーの実践的価値を強調している。
• 参考スコア（独自算出の注目度）: 55.310195121276074
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting diseases solely from patient-side information, such as demographics and self-reported symptoms, has attracted significant research attention due to its potential to enhance patient awareness, facilitate early healthcare engagement, and improve healthcare system efficiency. However, existing approaches encounter critical challenges, including imbalanced disease distributions and a lack of interpretability, resulting in biased or unreliable predictions. To address these issues, we propose the Knowledge graph-enhanced, Prototype-aware, and Interpretable (KPI) framework. KPI systematically integrates structured and trusted medical knowledge into a unified disease knowledge graph, constructs clinically meaningful disease prototypes, and employs contrastive learning to enhance predictive accuracy, which is particularly important for long-tailed diseases. Additionally, KPI utilizes large language models (LLMs) to generate patient-specific, medically relevant explanations, thereby improving interpretability and reliability. Extensive experiments on real-world datasets demonstrate that KPI outperforms state-of-the-art methods in predictive accuracy and provides clinically valid explanations that closely align with patient narratives, highlighting its practical value for patient-centered healthcare delivery.
• Abstract（参考訳）: 人口統計や自己申告症状などの患者側の情報からのみ病気を予測することは、患者の意識を高め、早期の医療従事を促進し、医療システムの効率を向上する可能性から、大きな研究の注目を集めている。 しかし、既存のアプローチは、不均衡な病気の分布や解釈可能性の欠如など、重大な課題に直面し、バイアスや信頼性の低い予測をもたらす。 これらの問題に対処するため,我々はKPI(Knowledge graph-enhanced, Prototype-aware, and Interpretable)フレームワークを提案する。 KPIは、構造化された信頼された医療知識を統一された疾患知識グラフに体系的に統合し、臨床的に意味のある疾患のプロトタイプを構築し、予測精度を高めるために対照的な学習を利用する。 さらに、KPIは大きな言語モデル(LLM)を使用して患者固有の医学的な説明を生成し、解釈可能性と信頼性を向上させる。 実世界のデータセットに関する大規模な実験により、KPIは最先端の手法を予測精度で上回り、患者の物語と密接に一致した臨床的に有効な説明を提供し、患者中心のヘルスケアデリバリーの実践的価値を強調している。

関連論文リスト

• Integrating Knowledge Graphs and Bayesian Networks: A Hybrid Approach for Explainable Disease Risk Prediction [0.0]
  本稿では,知識グラフとマルチモーダルEHRデータからBNを構築するための新しい手法を提案する。 本手法は、一般的な医療知識と患者固有のコンテキストのバランスをとり、効果的に不確実性に対処し、説明性が高く、予測性能が良いことを実証する。
  論文  参考訳（メタデータ） (2025-06-16T18:57:07Z)
• Reasoning-Enhanced Healthcare Predictions with Knowledge Graph Community Retrieval [61.70489848327436]
  KAREは、知識グラフ(KG)コミュニティレベルの検索と大規模言語モデル(LLM)推論を統合する新しいフレームワークである。 MIMIC-IIIでは最大10.8～15.0%、MIMIC-IVでは12.6～12.7%である。
  論文  参考訳（メタデータ） (2024-10-06T18:46:28Z)
• Machine Learning Applications in Medical Prognostics: A Comprehensive Review [0.0]
  機械学習(ML)は、高度なアルゴリズムと臨床データを統合することで、医学的診断に革命をもたらした。 RFモデルは高次元データの処理において堅牢な性能を示す。 CNNは、がん検出において異常な精度を示している。 LSTMネットワークは、時間的データの解析に優れ、臨床劣化の正確な予測を提供する。
  論文  参考訳（メタデータ） (2024-08-05T09:41:34Z)
• Explainable AI for Fair Sepsis Mortality Predictive Model [3.556697333718976]
  本稿では、性能最適化予測モデルを学習し、転送学習プロセスを用いて、より公正なモデルを生成する方法を提案する。 我々の手法は、予測モデル内のバイアスを特定し緩和するだけでなく、医療関係者間の信頼を高める。
  論文  参考訳（メタデータ） (2024-04-19T18:56:46Z)
• Knowledge Graph Representations to enhance Intensive Care Time-Series Predictions [4.660203987415476]
  提案手法は,ICUデータと医療知識を統合し,臨床意思決定モデルを改善する。 グラフ表現とバイタルサインと臨床報告を組み合わせることで、パフォーマンスを向上させる。 我々のモデルには、知識グラフノードが予測にどのように影響するかを理解するための解釈可能性コンポーネントが含まれています。
  論文  参考訳（メタデータ） (2023-11-13T09:11:55Z)
• Predicting Patient Readmission Risk from Medical Text via Knowledge Graph Enhanced Multiview Graph Convolution [67.72545656557858]
  本稿では,電子健康記録の医用テキストを予測に用いる新しい手法を提案する。 外部知識グラフによって強化された多視点グラフを有する患者の退院サマリーを表現している。 実験により,本手法の有効性が証明され,最先端の性能が得られた。
  論文  参考訳（メタデータ） (2021-12-19T01:45:57Z)
• Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
  臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。 退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。 複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
  論文  参考訳（メタデータ） (2021-02-08T10:26:44Z)
• 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)

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。