Fugu-MT 論文翻訳(概要): GRAIL: Geometry-Aware Retrieval-Augmented Inference with LLMs over Hyperbolic Representations of Patient Trajectories

論文の概要: GRAIL: Geometry-Aware Retrieval-Augmented Inference with LLMs over Hyperbolic Representations of Patient Trajectories

arxiv url: http://arxiv.org/abs/2602.12828v1
Date: Fri, 13 Feb 2026 11:30:37 GMT
ステータス: 翻訳完了
システム内更新日: 2026-02-16 23:37:53.93211
Title: GRAIL: Geometry-Aware Retrieval-Augmented Inference with LLMs over Hyperbolic Representations of Patient Trajectories
Title（参考訳）: GRAIL: 患者軌跡の双曲表現に対するLLMを用いた幾何学的検索型推論
Authors: Zhan Qu, Michael Färber,
Abstract要約: 本研究では,来院者による来院者の臨床イベントの予測を目的とした,来院者の来院状況の予測について検討する。構造化幾何表現と構造認識検索を用いた縦型EHRをモデル化するフレームワークであるGRAILを提案する。 MIMIC-IVの実験により、GRAILはマルチタイプの次世代予測を一貫して改善し、より階層一貫性のある予測が得られることが示された。
参考スコア（独自算出の注目度）: 7.2159153945746795
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: Predicting future clinical events from longitudinal electronic health records (EHRs) is challenging due to sparse multi-type clinical events, hierarchical medical vocabularies, and the tendency of large language models (LLMs) to hallucinate when reasoning over long structured histories. We study next-visit event prediction, which aims to forecast a patient's upcoming clinical events based on prior visits. We propose GRAIL, a framework that models longitudinal EHRs using structured geometric representations and structure-aware retrieval. GRAIL constructs a unified clinical graph by combining deterministic coding-system hierarchies with data-driven temporal associations across event types, embeds this graph in hyperbolic space, and summarizes each visit as a probabilistic Central Event that denoises sparse observations. At inference time, GRAIL retrieves a structured set of clinically plausible future events aligned with hierarchical and temporal progression, and optionally refines their ranking using an LLM as a constrained inference-time reranker. Experiments on MIMIC-IV show that GRAIL consistently improves multi-type next-visit prediction and yields more hierarchy-consistent forecasts.
Abstract（参考訳）: 経時的電子健康記録(EHR)による将来的な臨床イベントの予測は,多種多型臨床イベント,階層的医療語彙,長期にわたる歴史の解明にともなう大きな言語モデル(LLM)の幻覚化傾向などにより困難である。本研究では,来院者による来院者の臨床イベントの予測を目的とした,来院者の来院状況の予測について検討する。構造化幾何表現と構造認識検索を用いた縦型EHRをモデル化するフレームワークであるGRAILを提案する。 GRAILは、決定論的コーディングシステム階層とイベントタイプ間のデータ駆動的時間的関連を組み合わせ、このグラフを双曲空間に埋め込んで、各訪問をスパース観測を識別する確率的中央イベントとして要約することで、統合された臨床グラフを構築する。推論時に、GRAILは、階層的および時間的進行に整合した、臨床的に妥当な未来のイベントの構造化セットを検索し、LLMを制約された推論時間再ランカとして、そのランクを任意に改善する。 MIMIC-IVの実験により、GRAILはマルチタイプの次世代予測を一貫して改善し、より階層一貫性のある予測が得られることが示された。

関連論文リスト

Serialized EHR make for good text representations [1.585843510099207]
SerialBEHRTはSciBERTを拡張したドメイン整列基盤モデルである。我々は, 抗生物質感受性予測の課題において, その効果を評価した。
論文参考訳（メタデータ） (2025-10-11T17:16:15Z)
Building the EHR Foundation Model via Next Event Prediction [5.378917071184147]
Next Event Prediction(NEP)は、大規模言語モデルの時間的推論を強化するフレームワークである。 NEPは、疾患進行パターンと因果関係を明示的にモデル化する。解析の結果,最先端の予測精度と臨床的に解釈可能な注意パターンの2つの利点が明らかになった。
論文参考訳（メタデータ） (2025-09-29T23:27:51Z)
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)
Foundation Models for Clinical Records at Health System Scale [40.88151645546234]
次世代イベント予測を用いたシーケンシャルEHRデータのための新しい生成事前学習戦略を提案する。本モデルは,患者の来訪履歴に基づいて,各種のトークン化臨床イベントを自己回帰的に生成することを学ぶ。
論文参考訳（メタデータ） (2025-07-01T08:52:33Z)
HC-LLM: Historical-Constrained Large Language Models for Radiology Report Generation [89.3260120072177]
本稿では,放射線学レポート生成のための歴史制約付き大規模言語モデル (HC-LLM) フレームワークを提案する。胸部X線写真から経時的特徴と経時的特徴を抽出し,疾患の進行を捉える診断報告を行った。特に,本手法は,テスト中の履歴データなしでも良好に動作し,他のマルチモーダル大規模モデルにも容易に適用可能である。
論文参考訳（メタデータ） (2024-12-15T06:04:16Z)
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)
SHAPE: A Sample-adaptive Hierarchical Prediction Network for Medication Recommendation [22.899946140205962]
本稿では,SHAPE(Sample-adaptive Hierarchical medicAtion Prediction nEtwork)を提案する。具体的には、訪問レベルの表現を得るために、医療イベントにおける関係を符号化する、コンパクトなビジット・セット・エンコーダを設計する。モデルに可変訪問長をモデル化する能力を与えるため,各標本の難易度を訪問長によって自動的に割り当てるソフトカリキュラム学習手法を提案する。
論文参考訳（メタデータ） (2023-09-09T08:28:04Z)
Time Associated Meta Learning for Clinical Prediction [78.99422473394029]
本稿では,時間関連メタラーニング(TAML)手法を提案する。タスク分割後のスパーシリティ問題に対処するため、TAMLは時間情報共有戦略を採用し、正のサンプル数を増やす。複数の臨床データセットに対するTAMLの有効性を示す。
論文参考訳（メタデータ） (2023-03-05T03:54:54Z)
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)
BiteNet: Bidirectional Temporal Encoder Network to Predict Medical Outcomes [53.163089893876645]
本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
論文参考訳（メタデータ） (2020-09-24T00:42:36Z)
Trajectories, bifurcations and pseudotime in large clinical datasets: applications to myocardial infarction and diabetes data [94.37521840642141]
混合データ型と欠落値を特徴とする大規模臨床データセット分析のための半教師付き方法論を提案する。この手法は、次元の減少、データの可視化、クラスタリング、特徴の選択と、部分的に順序付けられた観測列における測地距離(擬時)の定量化のタスクを同時に扱うことのできる弾性主グラフの適用に基づいている。
論文参考訳（メタデータ） (2020-07-07T21:04:55Z)

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。