論文の概要: Learning Longitudinal Health Representations from EHR and Wearable Data

• arxiv url: http://arxiv.org/abs/2601.12227v1
• Date: Sun, 18 Jan 2026 02:39:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:22.511673
• Title: Learning Longitudinal Health Representations from EHR and Wearable Data
• Title（参考訳）: EHRとウェアラブルデータによる縦断的健康表現の学習
• Authors: Yuanyun Zhang, Han Zhou, Li Feng, Yilin Hong, Shi Li,
• Abstract要約: 本稿では,電子健康記録とウェアラブルデータを連続的な時間潜在プロセスとして共同で表現する多モーダル基礎モデルを提案する。 生理学的およびリスクモデリングのタスクを予測することで、モデルは強力な電子健康記録とウェアラブルのみのベースラインを上回っます。
• 参考スコア（独自算出の注目度）: 11.644296502997038
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Foundation models trained on electronic health records show strong performance on many clinical prediction tasks but are limited by sparse and irregular documentation. Wearable devices provide dense continuous physiological signals but lack semantic grounding. Existing methods usually model these data sources separately or combine them through late fusion. We propose a multimodal foundation model that jointly represents electronic health records and wearable data as a continuous time latent process. The model uses modality specific encoders and a shared temporal backbone pretrained with self supervised and cross modal objectives. This design produces representations that are temporally coherent and clinically grounded. Across forecasting physiological and risk modeling tasks the model outperforms strong electronic health record only and wearable only baselines especially at long horizons and under missing data. These results show that joint electronic health record and wearable pretraining yields more faithful representations of longitudinal health.
• Abstract（参考訳）: 電子健康記録に基づいてトレーニングされた基礎モデルは、多くの臨床予測タスクにおいて強いパフォーマンスを示すが、スパースと不規則なドキュメントによって制限されている。 ウェアラブルデバイスは、密集した連続的な生理的信号を提供するが、セマンティックグラウンドがない。 既存の手法は通常、これらのデータソースを個別にモデル化するか、後期融合を通して組み合わせる。 本稿では,電子健康記録とウェアラブルデータを連続的な時間潜在プロセスとして共同で表現する多モーダル基礎モデルを提案する。 このモデルは、モダリティ固有のエンコーダと、自己監督的および横断的な目的によって事前訓練された時間的バックボーンを使用する。 このデザインは、時間的コヒーレントで臨床的に根拠づけられた表現を生成する。 生理学的およびリスクモデリングのタスクを予測することで、モデルは強力な電子健康記録と、特に長い地平線と欠落したデータの下で、ウェアラブルのみのベースラインを上回っます。 これらの結果から, 電子的健康記録とウェアラブル・プレトレーニングにより, より忠実な縦断的健康表現が得られた。

関連論文リスト

• Time-Aware Attention for Enhanced Electronic Health Records Modeling [8.4225455796455]
  TALE-EHR は Transformer ベースのフレームワークで,連続的な時間的ギャップを明示的にモデル化する,新たなタイムアウェアアテンション機構を備えている。 本手法は, 疾患進展予測などのタスクにおいて, 最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-07-20T07:32:41Z)
• A Vector-Quantized Foundation Model for Patient Behavior Monitoring [41.48188433408574]
  本稿では,スマートフォンやウェアラブルデバイスからの実世界のデータを処理するために設計されたベクトル量子化変分自動エンコーダを改良した基礎モデルを提案する。 本研究では, 個別の潜伏表現を利用して, 微調整を必要とせず, 2つの下流課題, 自殺リスク評価, 情緒的状態予測を効果的に実施した。
  論文  参考訳（メタデータ） (2025-03-19T14:01:16Z)
• 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)
• Synthesizing Multimodal Electronic Health Records via Predictive Diffusion Models [69.06149482021071]
  EHRPDと呼ばれる新しいEHRデータ生成モデルを提案する。 時間間隔推定を組み込んだ拡散モデルである。 我々は2つの公開データセットで実験を行い、忠実さ、プライバシー、実用性の観点からEPHPDを評価する。
  論文  参考訳（メタデータ） (2024-06-20T02:20:23Z)
• Recent Advances in Predictive Modeling with Electronic Health Records [71.19967863320647]
  EHRデータを予測モデリングに利用すると、その特徴からいくつかの課題が生じる。 深層学習は、医療を含む様々な応用においてその優位性を示している。
  論文  参考訳（メタデータ） (2024-02-02T00:31:01Z)
• Cumulative Stay-time Representation for Electronic Health Records in Medical Event Time Prediction [8.261597797345342]
  累積滞留時間表現(CTR)と呼ばれる新しいEMHデータ表現を提案する。 CTRはそのような累積的な健康状態を直接モデル化する。 我々は、ターゲットデータに適合する柔軟性を持つニューラルネットワークに基づくトレーニング可能なCTRの構築を導出する。
  論文  参考訳（メタデータ） (2022-04-28T12:34:41Z)
• Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
  トレーニングセットとその構造が長期予測の品質に与える影響を考察する。 トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
  論文  参考訳（メタデータ） (2021-12-15T20:09:20Z)
• SANSformers: Self-Supervised Forecasting in Electronic Health Records with Attention-Free Models [48.07469930813923]
  本研究は,医療施設への患者訪問数を予測することにより,医療サービスの需要を予測することを目的とする。 SNSformerは、特定の帰納バイアスを設計し、EHRデータの特異な特徴を考慮に入れた、注意のない逐次モデルである。 本研究は, 各種患者集団を対象とした医療利用予測の修正における, 注意力のないモデルと自己指導型事前訓練の有望な可能性について考察した。
  論文  参考訳（メタデータ） (2021-08-31T08:23:56Z)
• Concept-based model explanations for Electronic Health Records [1.6837409766909865]
  概念活性化ベクトル(TCAV)を用いたテストは、人間に理解可能な説明を提供する手段として最近導入された。 本手法を時系列データに拡張し,TCAVの適用をEHRの逐次予測に適用する。
  論文  参考訳（メタデータ） (2020-12-03T22:18:24Z)

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。