論文の概要: Semantic NLP Pipelines for Interoperable Patient Digital Twins from Unstructured EHRs

• arxiv url: http://arxiv.org/abs/2601.05847v1
• Date: Fri, 09 Jan 2026 15:20:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-12 17:41:50.000498
• Title: Semantic NLP Pipelines for Interoperable Patient Digital Twins from Unstructured EHRs
• Title（参考訳）: 非構造型EHRを用いた相互運用型ディジタル双生児のための意味的NLPパイプライン
• Authors: Rafael Brens, Yuqiao Meng, Luoxi Tang, Zhaohan Xi,
• Abstract要約: 本稿では,自由文 EHR 音符をデジタル双対表現に変換する意味的 NLP 駆動パイプラインを提案する。 このパイプラインは、名前付きエンティティ認識(NER)を利用して臨床概念を抽出し、概念正規化によってエンティティをSNOMED-CTまたはICD-10にマッピングし、条件、薬品、観察の間の構造化された関連をキャプチャする関係抽出を行う。
• 参考スコア（独自算出の注目度）: 3.914632811815449
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Digital twins -- virtual replicas of physical entities -- are gaining traction in healthcare for personalized monitoring, predictive modeling, and clinical decision support. However, generating interoperable patient digital twins from unstructured electronic health records (EHRs) remains challenging due to variability in clinical documentation and lack of standardized mappings. This paper presents a semantic NLP-driven pipeline that transforms free-text EHR notes into FHIR-compliant digital twin representations. The pipeline leverages named entity recognition (NER) to extract clinical concepts, concept normalization to map entities to SNOMED-CT or ICD-10, and relation extraction to capture structured associations between conditions, medications, and observations. Evaluation on MIMIC-IV Clinical Database Demo with validation against MIMIC-IV-on-FHIR reference mappings demonstrates high F1-scores for entity and relation extraction, with improved schema completeness and interoperability compared to baseline methods.
• Abstract（参考訳）: デジタル双生児(物理的実体の仮想レプリカ)は、パーソナライズされたモニタリング、予測モデリング、臨床上の意思決定支援のために、医療分野で勢いを増している。 しかし, 電子健康記録(EHR)から相互運用可能なデジタル双生児を生成することは, 臨床資料の多様性と標準化されたマッピングの欠如により, 依然として困難である。 本稿では,自由文 EHR 音符を FHIR 準拠のディジタル双対表現に変換する意味的 NLP 駆動パイプラインを提案する。 このパイプラインは、名前付きエンティティ認識(NER)を利用して臨床概念を抽出し、概念正規化によってエンティティをSNOMED-CTまたはICD-10にマッピングし、条件、薬品、観察の間の構造化された関連をキャプチャする関係抽出を行う。 MIMIC-IV-on-FHIR参照マッピングに対する検証によるMIMIC-IV臨床データベースデモの評価は、基本手法に比べてスキーマ完全性と相互運用性が向上し、エンティティと関係抽出のための高いF1スコアを示す。

関連論文リスト

• SNOMED CT-powered Knowledge Graphs for Structured Clinical Data and Diagnostic Reasoning [10.805834750887966]
  本稿では,標準化された臨床用語SNOMED CTとNeo4jグラフデータベースを統合し,構造化された医療知識グラフを構築するための知識駆動フレームワークを提案する。 エンティティ-リレーショナルペアの抽出と標準化により、明示的な診断経路を埋め込んだ構造化・フォーマットされたデータセットを生成する。 実験の結果,我々の知識誘導アプローチは,AIによる診断推論の有効性と解釈可能性を高めることが示された。
  論文  参考訳（メタデータ） (2025-10-19T15:50:33Z)
• A Semantic Framework for Patient Digital Twins in Chronic Care [0.0]
  患者医療デジタルツイン(PMDT)は、生理的、精神社会的、行動的、ゲノム的な情報をコヒーレントなモデルに統合する。 PMDTはセマンティック・インターオペラビリティを確保し、自動推論をサポートし、さまざまな臨床コンテキストでの再利用を可能にする。 データ断片化とセマンティック標準化のギャップを埋めることによって、PMDTは、次世代デジタルヘルスエコシステムの検証された基盤を提供する。
  論文  参考訳（メタデータ） (2025-10-10T08:34:55Z)
• Self-Supervised Anatomical Consistency Learning for Vision-Grounded Medical Report Generation [61.350584471060756]
  医用画像の臨床的に正確な記述を作成することを目的とした医用レポート生成。 本稿では, 自己監督型解剖学的一貫性学習(SS-ACL)を提案し, 生成された報告を対応する解剖学的領域と整合させる。 SS-ACLは、ヒト解剖学の不変のトップダウン包摂構造にインスパイアされた階層的な解剖学的グラフを構築する。
  論文  参考訳（メタデータ） (2025-09-30T08:59:06Z)
• Interpretable Clinical Classification with Kolgomorov-Arnold Networks [70.72819760172744]
  Kolmogorov-Arnold Networks (KAN) は、透明で象徴的な表現を通じて固有の解釈能力を提供する。 Kansは、組み込みの患者レベルの洞察、直感的な可視化、最寄りの患者の検索をサポートする。 これらの結果は、カンを、臨床医が理解し、監査し、行動できる信頼できるAIへの有望なステップと位置づけている。
  論文  参考訳（メタデータ） (2025-09-20T17:21:58Z)
• Automated SNOMED CT Concept Annotation in Clinical Text Using Bi-GRU Neural Networks [0.31457219084519]
  本研究では,双方向GRUモデルを用いたSNOMEDCT概念認識のためのニューラルネットワークラベリング手法を提案する。 ドメイン適応型SpaCyおよびSciBERTベースのトークン化を用いてテキストを前処理し,テキストを文脈,構文,形態に富んだ重なり合う19個のチャンクに分割する。 Bi-GRUモデルは、IOBタグを指定してコンセプトスパンを特定し、検証セット上で90%のF1スコアで強力なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-08-04T16:08:49Z)
• Clinical NLP with Attention-Based Deep Learning for Multi-Disease Prediction [44.0876796031468]
  本稿では,電子健康記録テキストの非構造的性質と高次元意味論的複雑さがもたらす課題について論じる。 情報抽出と多ラベル病予測のための統合モデリングを実現するために,注意機構に基づく深層学習手法を提案する。
  論文  参考訳（メタデータ） (2025-07-02T07:45:22Z)
• 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)
• MIMO: Mutual Integration of Patient Journey and Medical Ontology for Healthcare Representation Learning [49.57261599776167]
  本稿では、医療表現学習と予測分析のための、エンドツーエンドの堅牢なトランスフォーマーベースのソリューション、患者旅行の相互統合、医療オントロジー(MIMO)を提案する。
  論文  参考訳（メタデータ） (2021-07-20T07:04:52Z)
• A Joint Network Optimization Framework to Predict Clinical Severity from Resting State Functional MRI Data [3.276067241408604]
  静止状態fMRI(rs-fMRI)データから臨床重症度を予測する新しい枠組みを提案する。 フレームワークを2つの別々のデータセット上で10倍のクロスバリデーション設定で検証する。
  論文  参考訳（メタデータ） (2020-08-27T23:43:25Z)

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。