論文の概要: Learning temporal embeddings from electronic health records of chronic kidney disease patients

• arxiv url: http://arxiv.org/abs/2601.18675v1
• Date: Mon, 26 Jan 2026 16:50:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-27 15:23:08.946281
• Title: Learning temporal embeddings from electronic health records of chronic kidney disease patients
• Title（参考訳）: 慢性腎臓病患者の電子健康記録からの時間的埋め込みの学習
• Authors: Aditya Kumar, Mario A. Cypko, Oliver Amft,
• Abstract要約: 縦断的電子健康記録に基づいてトレーニングした時間的埋め込みモデルが,予測性能を損なうことなく臨床的に有意な表現を学習できるかどうかを検討する。 本稿では,バニラLSTM,アテンション拡張LSTM,タイムアウェアLSTMの3つのアーキテクチャを比較した。 T-LSTMはより構造的な埋め込みを生成し、より低いDavies-Bouldin Index (DBI = 9.91) と、バニラLSTMよりも高いCKDステージ分類精度 (0.74) を達成する。 ICUの死亡予測では、埋め込みモデルは終端予測よりも一貫して優れ、精度は0.72-0.75から0.82に向上した。
• 参考スコア（独自算出の注目度）: 5.2561388030590965
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We investigate whether temporal embedding models trained on longitudinal electronic health records can learn clinically meaningful representations without compromising predictive performance, and how architectural choices affect embedding quality. Model-guided medicine requires representations that capture disease dynamics while remaining transparent and task agnostic, whereas most clinical prediction models are optimised for a single task. Representation learning facilitates learning embeddings that generalise across downstream tasks, and recurrent architectures are well-suited for modelling temporal structure in observational clinical data. Using the MIMIC-IV dataset, we study patients with chronic kidney disease (CKD) and compare three recurrent architectures: a vanilla LSTM, an attention-augmented LSTM, and a time-aware LSTM (T-LSTM). All models are trained both as embedding models and as direct end-to-end predictors. Embedding quality is evaluated via CKD stage clustering and in-ICU mortality prediction. The T-LSTM produces more structured embeddings, achieving a lower Davies-Bouldin Index (DBI = 9.91) and higher CKD stage classification accuracy (0.74) than the vanilla LSTM (DBI = 15.85, accuracy = 0.63) and attention-augmented LSTM (DBI = 20.72, accuracy = 0.67). For in-ICU mortality prediction, embedding models consistently outperform end-to-end predictors, improving accuracy from 0.72-0.75 to 0.82-0.83, which indicates that learning embeddings as an intermediate step is more effective than direct end-to-end learning.
• Abstract（参考訳）: 縦断的な電子健康記録に基づいてトレーニングされた時間的埋め込みモデルが,予測性能を損なうことなく臨床的に意味のある表現を学習できるかどうか,建築的選択が埋め込み品質に与える影響について検討した。 モデル誘導医療は、透明性とタスク非依存を維持しながら疾患のダイナミクスを捉える表現を必要とするが、ほとんどの臨床予測モデルは単一のタスクに最適化されている。 表現学習は下流のタスクにまたがって一般化する学習の埋め込みを促進し、再帰的アーキテクチャは観察的臨床データにおける時間構造をモデル化するのに適している。 MIMIC-IVデータセットを用いて慢性腎疾患(CKD)の患者を対象に,バニラLSTM,注意増強LSTM,時間認識LSTM(T-LSTM)の3つの繰り返しアーキテクチャを比較した。 すべてのモデルは、埋め込みモデルと、エンドツーエンドの予測器としてトレーニングされる。 埋め込み品質はCKDステージクラスタリングとICU内死亡予測によって評価される。 T-LSTMはより構造的な埋め込みを生成し、より低いDavies-Bouldin Index (DBI = 9.91) と、バニラLSTM (DBI = 15.85, 精度 = 0.63) よりも高いCKDステージ分類精度 (0.74) と注目増強LSTM (DBI = 20.72, 精度 = 0.67) を達成する。 ICUの死亡予測では、埋め込みモデルはエンド・ツー・エンドの予測器を一貫して上回り、精度は0.72-0.75から0.82-0.83に向上する。

関連論文リスト

• Transparent Early ICU Mortality Prediction with Clinical Transformer and Per-Case Modality Attribution [42.85462513661566]
  ICU滞在後48時間から, 生理的時系列測定と非構造的臨床記録とを融合した, 軽量で透明なマルチモーダルアンサンブルを提案する。 ロジスティック回帰モデルは、バイタル用双方向LSTMとノート用微調整された臨床ModernBERT変換器の2つのモード固有モデルからの予測を組み合わせる。 MIMIC-IIIベンチマークでは、遅延融合アンサンブルは、よく校正された予測を維持しながら、最高の単一モデルに対する差別を改善する。
  論文  参考訳（メタデータ） (2025-11-19T20:11:49Z)
• A Disease-Centric Vision-Language Foundation Model for Precision Oncology in Kidney Cancer [54.58205672910646]
  RenalCLIPは、腎腫瘤の特徴、診断、予後のための視覚言語基盤モデルである。 腎がんの完全な臨床ワークフローにまたがる10のコアタスクにおいて、優れたパフォーマンスと優れた一般化性を実現した。
  論文  参考訳（メタデータ） (2025-08-22T17:48:19Z)
• SurgeryLSTM: A Time-Aware Neural Model for Accurate and Explainable Length of Stay Prediction After Spine Surgery [44.119171920037196]
  選択的脊椎手術における滞在時間(LOS)予測のための機械学習モデルの開発と評価を行った。 我々は,従来のMLモデルと,マスク付き双方向長短期記憶(BiLSTM)であるオペレーショナルLSTMを比較した。 決定係数(R2)を用いて性能を評価し,説明可能なAIを用いて鍵予測器を同定した。
  論文  参考訳（メタデータ） (2025-07-15T01:18:28Z)
• Predicting Length of Stay in Neurological ICU Patients Using Classical Machine Learning and Neural Network Models: A Benchmark Study on MIMIC-IV [49.1574468325115]
  本研究は、MIMIC-IVデータセットに基づく神経疾患患者を対象とした、ICUにおけるLOS予測のための複数のMLアプローチについて検討する。 評価されたモデルには、古典的MLアルゴリズム(K-Nearest Neighbors、Random Forest、XGBoost、CatBoost)とニューラルネットワーク(LSTM、BERT、テンポラルフュージョントランス)が含まれる。
  論文  参考訳（メタデータ） (2025-05-23T14:06:42Z)
• Development and Validation of a Dynamic Kidney Failure Prediction Model based on Deep Learning: A Real-World Study with External Validation [30.273170207534637]
  慢性腎臓病(CKD)は公衆衛生上重要な問題となっている。 既存のモデルの多くは静的であり、病気の進行の時間的傾向を捉えていない。 我々は,リアルタイム腎不全の予測に,現実の電子健康記録からの一般的な経時的臨床指標を利用するダイナミックモデルを開発した。
  論文  参考訳（メタデータ） (2025-01-25T13:52:51Z)
• CRTRE: Causal Rule Generation with Target Trial Emulation Framework [47.2836994469923]
  ターゲットトライアルエミュレーションフレームワーク(CRTRE)を用いた因果ルール生成という新しい手法を提案する。 CRTREは、アソシエーションルールの因果効果を推定するためにランダム化トライアル設計原則を適用している。 次に、病気発症予測などの下流アプリケーションにそのような関連ルールを組み込む。
  論文  参考訳（メタデータ） (2024-11-10T02:40:06Z)
• Improving Mortality Prediction After Radiotherapy with Large Language Model Structuring of Large-Scale Unstructured Electronic Health Records [2.608410928225647]
  本研究は、構造化された臨床データとともに、構造化されていない電子健康記録を構造化するためのRTSurvフレームワークを開発し、検証した。 34,276人の非構造化データと852の外部コホートを用いて、非構造化情報を構造化形式に変換することに成功した。
  論文  参考訳（メタデータ） (2024-08-09T14:02:24Z)
• 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)
• A Knowledge Distillation Ensemble Framework for Predicting Short and Long-term Hospitalisation Outcomes from Electronic Health Records Data [5.844828229178025]
  既存の結果予測モデルは、頻繁なポジティブな結果の低いリコールに悩まされる。 我々は、死亡率とICUの受け入れによって表される逆さを自動的に予測する、高度にスケーリング可能な、堅牢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） (2020-11-18T15:56:28Z)
• Intra-Domain Task-Adaptive Transfer Learning to Determine Acute Ischemic Stroke Onset Time [7.024121839235693]
  急性期虚血性脳卒中(AIS)の治療は, 脳卒中発症以降の経過に大きく左右される。 原因不明のTSS患者に対する最近の臨床ガイドラインでは、MRIを用いて血栓溶解の適性を決定することが推奨されているが、放射線学的評価は読取者間の多様性が高い。 臨床的に検証された閾値に基づいて,MRI拡散系列を利用した深層学習モデルを用いてTSSを分類する。
  論文  参考訳（メタデータ） (2020-11-05T18:28:54Z)

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。