論文の概要: Cross-Sample Augmented Test-Time Adaptation for Personalized Intraoperative Hypotension Prediction

• arxiv url: http://arxiv.org/abs/2512.15762v1
• Date: Fri, 12 Dec 2025 08:02:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-19 18:10:31.676027
• Title: Cross-Sample Augmented Test-Time Adaptation for Personalized Intraoperative Hypotension Prediction
• Title（参考訳）: パーソナライズされた術中低血圧予測のためのクロスサンプル拡張テスト時間適応法
• Authors: Kanxue Li, Yibing Zhan, Hua Jin, Chongchong Qi, Xu Lin, Baosheng Yu,
• Abstract要約: 術中低血圧は外科的危険を伴うが、患者固有の変動性のために正確な予測は困難である。 CSA-TTA(Cross-Sample Augmented Test-Time Adaptation framework)を提案する。 提案したCSA-TTAを,現在最先端の時系列予測モデルと統合することで,VitalDBデータセットと実世界のインホスピタルデータセットの両方で評価する。
• 参考スコア（独自算出の注目度）: 45.67071315035565
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Intraoperative hypotension (IOH) poses significant surgical risks, but accurate prediction remains challenging due to patient-specific variability. While test-time adaptation (TTA) offers a promising approach for personalized prediction, the rarity of IOH events often leads to unreliable test-time training. To address this, we propose CSA-TTA, a novel Cross-Sample Augmented Test-Time Adaptation framework that enhances training by incorporating hypotension events from other individuals. Specifically, we first construct a cross-sample bank by segmenting historical data into hypotensive and non-hypotensive samples. Then, we introduce a coarse-to-fine retrieval strategy for building test-time training data: we initially apply K-Shape clustering to identify representative cluster centers and subsequently retrieve the top-K semantically similar samples based on the current patient signal. Additionally, we integrate both self-supervised masked reconstruction and retrospective sequence forecasting signals during training to enhance model adaptability to rapid and subtle intraoperative dynamics. We evaluate the proposed CSA-TTA on both the VitalDB dataset and a real-world in-hospital dataset by integrating it with state-of-the-art time series forecasting models, including TimesFM and UniTS. CSA-TTA consistently enhances performance across settings-for instance, on VitalDB, it improves Recall and F1 scores by +1.33% and +1.13%, respectively, under fine-tuning, and by +7.46% and +5.07% in zero-shot scenarios-demonstrating strong robustness and generalization.
• Abstract（参考訳）: 術中低血圧 (IOH) は外科的危険を伴うが, 患者固有の変動が原因で, 正確な予測は困難である。 テスト時間適応(TTA)はパーソナライズされた予測に有望なアプローチを提供するが、IOHイベントの希少性は信頼性の低いテスト時間トレーニングにつながることが多い。 そこで本研究では,他者からの低血圧事象を取り入れてトレーニングを強化するクロスサンプル拡張テスト時間適応フレームワークであるCSA-TTAを提案する。 具体的には、まず、歴史的データを低血圧および非血圧のサンプルに分割することで、クロスサンプルバンクを構築する。 そこで我々はまず,まずK-Shapeクラスタリングを用いて,代表的クラスタセンターを特定し,その後,現在の患者信号に基づいて,トップKのセマンティックなサンプルを検索する。 さらに,トレーニング中の自己監督型マスク再建と振り返りシーケンス予測の両信号を統合し,迅速かつ微妙な術中動態に対するモデル適応性を向上させる。 提案したCSA-TTAを,TimesFMやUniTSといった最先端の時系列予測モデルと統合することにより,VitalDBデータセットと実世界のインホスピタルデータセットの両方で評価する。 例えば、VitalDBではリコールとF1スコアをそれぞれ+1.33%、微調整で+1.13%、ゼロショットのシナリオでは+7.46%、+5.07%改善している。

関連論文リスト

• Adaptive Test-Time Training for Predicting Need for Invasive Mechanical Ventilation in Multi-Center Cohorts [4.250825424649631]
  テストタイムトレーニング(TTT)は、このようなシフトを緩和するための有望なアプローチとして登場した。 In orderive Test-Time Training (AdaTTT) は、ITU設定におけるEMHベースのMV予測に適した拡張TTフレームワークである。
  論文  参考訳（メタデータ） (2025-12-07T04:27:40Z)
• Foundation Models for Clinical Records at Health System Scale [40.88151645546234]
  次世代イベント予測を用いたシーケンシャルEHRデータのための新しい生成事前学習戦略を提案する。 本モデルは,患者の来訪履歴に基づいて,各種のトークン化臨床イベントを自己回帰的に生成することを学ぶ。
  論文  参考訳（メタデータ） (2025-07-01T08:52:33Z)
• Adaptable Cardiovascular Disease Risk Prediction from Heterogeneous Data using Large Language Models [70.64969663547703]
  AdaCVDは、英国バイオバンクから50万人以上の参加者を対象に、大規模な言語モデルに基づいて構築された適応可能なCVDリスク予測フレームワークである。 包括的かつ可変的な患者情報を柔軟に取り込み、構造化データと非構造化テキストの両方をシームレスに統合し、最小限の追加データを使用して新規患者の集団に迅速に適応する。
  論文  参考訳（メタデータ） (2025-05-30T14:42:02Z)
• Multimodal Forecasting of Sparse Intraoperative Hypotension Events Powered by Language Model [14.69824092898171]
  術中低血圧 (IOH) は全身麻酔下で頻繁に発生し, 心筋損傷や死亡率の増加などの副作用と強く関連している。 その重要性にもかかわらず、IOH予測はイベントのばらつきと、さまざまな患者にまたがる静的データと動的データを統合することの難しさによって妨げられている。 スパース低血圧事象を正確に識別し識別する多モーダル言語モデルフレームワークである textbfIOHFuseLM を提案する。
  論文  参考訳（メタデータ） (2025-05-28T08:44:55Z)
• Spanning Training Progress: Temporal Dual-Depth Scoring (TDDS) for Enhanced Dataset Pruning [50.809769498312434]
  我々は、時間的デュアルディープス・スコーリング(TDDS)と呼ばれる新しいデータセット・プルーニング手法を提案する。 本手法は,10%のトレーニングデータで54.51%の精度を達成し,ランダム選択を7.83%以上,他の比較手法を12.69%以上上回る結果を得た。
  論文  参考訳（メタデータ） (2023-11-22T03:45:30Z)
• 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)

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。