論文の概要: Time-to-Event Transformer to Capture Timing Attention of Events in EHR Time Series

• arxiv url: http://arxiv.org/abs/2602.10385v1
• Date: Wed, 11 Feb 2026 00:13:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-12 21:44:01.352011
• Title: Time-to-Event Transformer to Capture Timing Attention of Events in EHR Time Series
• Title（参考訳）: EHR時系列におけるイベントのタイミングアテンションをキャプチャする時間-イベント変換器
• Authors: Jia Li, Yu Hou, Rui Zhang,
• Abstract要約: LITTは、仮想相対タイムライン上のシーケンシャルイベントの一時的なアライメントを可能にする、新しいTiming-Transformerアーキテクチャである。 乳がん患者3,276人の実世界の経時的EHRデータから,その解釈可能性と効果を検証した。
• 参考スコア（独自算出の注目度）: 15.049813932448112
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automatically discovering personalized sequential events from large-scale time-series data is crucial for enabling precision medicine in clinical research, yet it remains a formidable challenge even for contemporary AI models. For example, while transformers capture rich associations, they are mostly agnostic to event timing and ordering, thereby bypassing potential causal reasoning. Intuitively, we need a method capable of evaluating the "degree of alignment" among patient-specific trajectories and identifying their shared patterns, i.e., the significant events in a consistent sequence. This necessitates treating timing as a true \emph{computable} dimension, allowing models to assign ``relative timestamps'' to candidate events beyond their observed physical times. In this work, we introduce LITT, a novel Timing-Transformer architecture that enables temporary alignment of sequential events on a virtual ``relative timeline'', thereby enabling \emph{event-timing-focused attention} and personalized interpretations of clinical trajectories. Its interpretability and effectiveness are validated on real-world longitudinal EHR data from 3,276 breast cancer patients to predict the onset timing of cardiotoxicity-induced heart disease. Furthermore, LITT outperforms both the benchmark and state-of-the-art survival analysis methods on public datasets, positioning it as a significant step forward for precision medicine in clinical AI.
• Abstract（参考訳）: 大規模時系列データからパーソナライズされたシーケンシャルなイベントを自動的に発見することは、臨床研究において精度の高い医療を可能にする上で非常に重要ですが、現代のAIモデルでさえ、これは恐ろしい課題です。 例えば、トランスフォーマーはリッチな関連を捉えるが、イベントのタイミングや順序にほとんど依存せず、潜在的な因果推論をバイパスする。 直感的には、患者固有の軌跡間の「アライメントの度合い」を評価し、それらの共有パターン、すなわち、一貫したシーケンスにおける重要な事象を識別できる方法が必要である。 これにより、タイミングを真の \emph{computable} 次元として扱う必要があるため、モデルは観測された物理時間を超えた候補イベントに ``relative timestamps'' を割り当てることができる。 そこで本研究では,仮想の 'relative timeline''' 上での逐次イベントの一時的アライメントを可能にする,新規なTiming-Transformer アーキテクチャである LITT を紹介し,臨床軌道のパーソナライズされた解釈を可能にする。 乳がん患者3,276例の心毒性誘発心疾患の発症時期を予測するために,実世界の経時的心電図データを用いて,その解釈可能性と有効性を検証する。 さらに、LITTは、公開データセット上でのベンチマークと最先端のサバイバル分析手法の両方を上回り、臨床AIにおける精度医学の重要な一歩として位置づけている。

関連論文リスト

• ChronoFormer: Time-Aware Transformer Architectures for Structured Clinical Event Modeling [3.663763802269743]
  本稿では, 経時的依存関係を符号化し, 利用するための革新的なトランスフォーマーアーキテクチャであるChronoFormerを提案する。 3つのベンチマークタスク予測、読み出し予測、長期的協調性オンセットで実施された広範囲な実験は、最先端の手法よりも大幅に改善されている。
  論文  参考訳（メタデータ） (2025-04-10T01:25:41Z)
• 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)
• Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
  そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。 また,死亡率と臓器不全の関連性について有意な知見が得られた。
  論文  参考訳（メタデータ） (2024-07-28T02:42:36Z)
• 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)
• XTSFormer: Cross-Temporal-Scale Transformer for Irregular-Time Event Prediction in Clinical Applications [23.946633955844423]
  非安全ケアに関連する副作用は、米国での死因のトップ10に入る。 イベントデータは、連続するイベント間の時間間隔の不規則性、サイクルの存在、周期性、複数スケールのイベントインタラクション、長いイベントシーケンスに関連する高い計算コストなど、いくつかのユニークな課題を提起する。 本稿では,時間的不規則なイベントデータに特化して設計されたクロステンポラリスケールトランスフォーマー(XTSFormer)を提案する。
  論文  参考訳（メタデータ） (2024-02-03T20:33:39Z)
• CenTime: Event-Conditional Modelling of Censoring in Survival Analysis [49.44664144472712]
  CenTimeは、イベントへの時間を直接見積もる、サバイバル分析の新しいアプローチである。 本手法は,非検閲データが少ない場合でも,堅牢なイベント条件検閲機構を特徴とする。 以上の結果から,CenTimeは同等の性能を維持しつつ,死までの時間を予測する上で,最先端のパフォーマンスを提供することがわかった。
  論文  参考訳（メタデータ） (2023-09-07T17:07:33Z)
• Path Signatures for Seizure Forecasting [0.6282171844772422]
  患者固有の方法で発作を予測するための予測的特徴(バイオマーカー)の自動発見を検討する。 データストリームの解析における最近の進展であるパスシグネチャを用いて、測定時系列から発作予測までをマップする。
  論文  参考訳（メタデータ） (2023-08-18T05:19:18Z)
• T-Phenotype: Discovering Phenotypes of Predictive Temporal Patterns in Disease Progression [82.85825388788567]
  我々は、ラベル付き時系列データから予測時相パターンの表現型を発見するために、新しい時間的クラスタリング手法T-Phenotypeを開発した。 T-フェノタイプは, 評価ベースラインのすべてに対して, 最良の表現型発見性能を示す。
  論文  参考訳（メタデータ） (2023-02-24T13:30:35Z)
• Learning Dynamic and Personalized Comorbidity Networks from Event Data using Deep Diffusion Processes [102.02672176520382]
  コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。 電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。 我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
  論文  参考訳（メタデータ） (2020-01-08T15:47:08Z)

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。