論文の概要: DT-ICU: Towards Explainable Digital Twins for ICU Patient Monitoring via Multi-Modal and Multi-Task Iterative Inference

• arxiv url: http://arxiv.org/abs/2601.07778v1
• Date: Mon, 12 Jan 2026 17:54:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-13 19:08:01.714382
• Title: DT-ICU: Towards Explainable Digital Twins for ICU Patient Monitoring via Multi-Modal and Multi-Task Iterative Inference
• Title（参考訳）: DT-ICU:マルチモーダルおよびマルチタスク反復推論によるICU患者モニタリングのための説明可能なデジタル双対を目指して
• Authors: Wen Guo,
• Abstract要約: 本稿では,集中治療における連続的リスク推定のためのデジタルツインフレームワークDT-ICUを紹介する。 DT-ICUは可変長臨床時系列と静的患者情報を統合アーキテクチャで統合する。 我々は,大規模なMIMIC-IVデータセット上でDT-ICUを評価する。
• 参考スコア（独自算出の注目度）: 3.630848302035617
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce DT-ICU, a multimodal digital twin framework for continuous risk estimation in intensive care. DT-ICU integrates variable-length clinical time series with static patient information in a unified multitask architecture, enabling predictions to be updated as new observations accumulate over the ICU stay. We evaluate DT-ICU on the large, publicly available MIMIC-IV dataset, where it consistently outperforms established baseline models under different evaluation settings. Our test-length analysis shows that meaningful discrimination is achieved shortly after admission, while longer observation windows further improve the ranking of high-risk patients in highly imbalanced cohorts. To examine how the model leverages heterogeneous data sources, we perform systematic modality ablations, revealing that the model learnt a reasonable structured reliance on interventions, physiological response observations, and contextual information. These analyses provide interpretable insights into how multimodal signals are combined and how trade-offs between sensitivity and precision emerge. Together, these results demonstrate that DT-ICU delivers accurate, temporally robust, and interpretable predictions, supporting its potential as a practical digital twin framework for continuous patient monitoring in critical care. The source code and trained model weights for DT-ICU are publicly available at https://github.com/GUO-W/DT-ICU-release.
• Abstract（参考訳）: 本稿では,集中治療における連続的リスク推定のためのマルチモーダルデジタルツインフレームワークDT-ICUを紹介する。 DT-ICUは、可変長臨床時系列と静的な患者情報を統合マルチタスクアーキテクチャに統合し、ICU滞在中に新しい観測結果が蓄積されるにつれて、予測を更新する。 我々は,大規模なMIMIC-IVデータセット上でDT-ICUを評価する。 検査長分析の結果,入院直後の有意な差別が達成され,観察窓が長くなり,高リスク患者が高度に不均衡なコホートでランク付けされることが示唆された。 モデルが不均一なデータソースをどのように活用するかを検討するため、系統的なモダリティ改善を行い、介入、生理的応答観察、文脈情報に依存する合理的な構造的依存を学習することを明らかにする。 これらの分析は、マルチモーダル信号をどのように組み合わせるか、感度と精度の間のトレードオフがどのように出現するかを解釈可能な洞察を提供する。 これらの結果から,DT-ICUは正確な,時間的ロバストかつ解釈可能な予測を提供することが示され,医療における継続的な患者モニタリングのための実践的デジタルツインフレームワークとしての可能性が示唆された。 DT-ICUのソースコードとトレーニングされたモデルウェイトはhttps://github.com/GUO-W/DT-ICU-releaseで公開されている。

関連論文リスト

• 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)
• Early Detection of Multidrug Resistance Using Multivariate Time Series Analysis and Interpretable Patient-Similarity Representations [8.062368743143388]
  マルチドラッグ抵抗(MDR)は、世界的な健康問題であり、入院、医療費、死亡率の上昇を引き起こす。 本研究では,MDR予測のための解釈可能な機械学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-24T16:19:13Z)
• Two-Stage Representation Learning for Analyzing Movement Behavior Dynamics in People Living with Dementia [44.39545678576284]
  本研究では,認知症高齢者の在宅活動データを,2段階の自己指導型学習アプローチによって分析する。 第1段階は、時系列アクティビティを事前訓練された言語モデルによって符号化されたテキストシーケンスに変換する。 このPageRankベクトルは遅延状態遷移をキャプチャし、複雑な振る舞いデータを簡潔な形式に効果的に圧縮する。
  論文  参考訳（メタデータ） (2025-02-13T10:57:25Z)
• Federated Learning for Coronary Artery Plaque Detection in Atherosclerosis Using IVUS Imaging: A Multi-Hospital Collaboration [8.358846277772779]
  経皮的冠動脈インターベンション(PCI)における血管内超音波(IVUS)画像の従来的解釈は時間集約的かつ矛盾する。 多段階セグメンテーションアーキテクチャを持つ並列2次元U-Netモデルを開発した。 0.706のDice similarity Coefficient (DSC) は、プラークを効果的に識別し、リアルタイムで円形の境界を検出する。
  論文  参考訳（メタデータ） (2024-12-19T13:06:28Z)
• CTPD: Cross-Modal Temporal Pattern Discovery for Enhanced Multimodal Electronic Health Records Analysis [50.56875995511431]
  マルチモーダルEHRデータから有意な時間的パターンを効率的に抽出するために,CTPD(Cross-Modal Temporal Pattern Discovery)フレームワークを導入する。 提案手法では,時間的セマンティックな埋め込みを生成するためにスロットアテンションを用いて改良された時間的パターン表現を提案する。
  論文  参考訳（メタデータ） (2024-11-01T15:54:07Z)
• Temporal Cross-Attention for Dynamic Embedding and Tokenization of Multimodal Electronic Health Records [1.6609516435725236]
  マルチモーダルな臨床時系列を正確に表現するための動的埋め込み・トークン化フレームワークを提案する。 術後合併症9例の発症予測に基礎的アプローチを応用した。
  論文  参考訳（メタデータ） (2024-03-06T19:46:44Z)
• Multimodal Interpretable Data-Driven Models for Early Prediction of Antimicrobial Multidrug Resistance Using Multivariate Time-Series [6.804748007823268]
  本稿では,フエンラブラダ大学附属病院の集中治療室 (ICU) における抗微生物多剤耐性 (AMR) 菌の出現を予測し, 理解することのできる, 解釈可能なマルチモーダルデータ駆動モデルの集合体上に構築したアプローチを提案する。 患者のプロファイルと初期健康状態は静的変数を用いてモデル化され、ICU滞在中の患者の健康状態の進化は、機械的換気や抗生物質摂取を含むいくつかのMSSを用いてモデル化される。
  論文  参考訳（メタデータ） (2024-02-09T10:16:58Z)
• Dual-Consistency Semi-Supervised Learning with Uncertainty Quantification for COVID-19 Lesion Segmentation from CT Images [49.1861463923357]
  CT画像を用いた半監視型COVID-19病変分割のための不確実性誘導型二重一貫性学習ネットワーク(UDC-Net)を提案する。 提案した UDC-Net は,Dice の完全教師方式を 6.3% 向上させ,他の競合的半監督方式を有意なマージンで上回っている。
  論文  参考訳（メタデータ） (2021-04-07T16:23:35Z)

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。