論文の概要: Patient-Centered, Graph-Augmented Artificial Intelligence-Enabled Passive Surveillance for Early Stroke Risk Detection in High-Risk Individuals

• arxiv url: http://arxiv.org/abs/2602.22228v1
• Date: Sat, 07 Feb 2026 21:34:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-02 07:21:25.695113
• Title: Patient-Centered, Graph-Augmented Artificial Intelligence-Enabled Passive Surveillance for Early Stroke Risk Detection in High-Risk Individuals
• Title（参考訳）: 高リスク者における早期ストロークリスク検出のための患者中心・グラフ強化人工知能を用いたパッシブサーベイランス
• Authors: Jiyeong Kim, Stephen P. Ma, Nirali Vora, Nicholas W. Larsen, Julia Adler-Milstein, Jonathan H. Chen, Selen Bozkurt, Abeed Sarker, Juhee Cho, Jindeok Joo, Natali Pageler, Fatima Rodriguez, Christopher Sharp, Eleni Linos,
• Abstract要約: ストロークは年間数百万の影響を受けたが、症状の認識が低かったため、ケアシーキングが遅れることが多かった。 患者報告症状を用いた早期脳卒中リスク検出のための受動的監視システムを開発した。 患者報告言語だけでは、高精度、低バーデン早期脳卒中リスク検出がサポートされた。
• 参考スコア（独自算出の注目度）: 9.880277462203361
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Stroke affected millions annually, yet poor symptom recognition often delayed care-seeking. To address risk recognition gap, we developed a passive surveillance system for early stroke risk detection using patient-reported symptoms among individuals with diabetes. Constructing a symptom taxonomy grounded in patients own language and a dual machine learning pipeline (heterogeneous GNN and EN/LASSO), we identified symptom patterns associated with subsequent stroke. We translated findings into a hybrid risk screening system integrating symptom relevance and temporal proximity, evaluated across 3-90 day windows through EHR-based simulations. Under conservative thresholds, intentionally designed to minimize false alerts, the screening system achieved high specificity (1.00) and prevalence-adjusted positive predictive value (1.00), with good sensitivity (0.72), an expected trade-off prioritizing precision, that was highest in 90-day window. Patient-reported language alone supported high-precision, low-burden early stroke risk detection, that could offer a valuable time window for clinical evaluation and intervention for high-risk individuals.
• Abstract（参考訳）: ストロークは年間数百万の影響を受けたが、症状の認識が低かったため、ケアシーキングが遅れることが多かった。 糖尿病患者を対象に,早期脳卒中リスク検出のための受動的監視システムを開発した。 患者自身の言語と2つの機械学習パイプライン(異種GNNとEN/LASSO)を基盤とした症状分類を構築し,脳卒中に伴う症状パターンを同定した。 症状関連性と時間的近接性を統合したハイブリッド型リスクスクリーニングシステムに分析結果を変換し,EHRシミュレーションにより390日間の窓で評価した。 誤報を最小限に抑えるために意図的に設計された保守的なしきい値の下で、スクリーニングシステムは高い特異性(1.00)と有病率調整された正の予測値(1.00)を達成し、良好な感度(0.72)を達成した。 患者が報告した言語だけでは、高いリスクを持つ個人に対する臨床評価と介入のための貴重な時間窓を提供する、高精度で低負荷の早期脳卒中リスク検出を支持した。

関連論文リスト

• Spatio-Temporal Attention Network for Epileptic Seizure Prediction [4.750750705838807]
  本稿では,脳波信号の複雑な時間的相関構造をS-Temporal Attention Network (STAN)を通して学習し,てんかん患者の発症発作の正確な予測を行う。 本フレームワークは、患者固有の窓が起動する少なくとも15分前の前立腺状態を45分以上確実に検出し、臨床応用に十分な介入時間を与える。
  論文  参考訳（メタデータ） (2025-10-24T01:45:25Z)
• An Explainable Hybrid AI Framework for Enhanced Tuberculosis and Symptom Detection [55.35661671061754]
  結核は、特に資源に制限された遠隔地において、重要な世界的な健康問題である。 本稿では, 胸部X線による疾患および症状の検出を, 2つの頭部と自己監督頭部を統合することで促進する枠組みを提案する。 本モデルでは, 新型コロナウイルス, 結核, 正常症例の鑑別で98.85%の精度が得られ, マルチラベル症状検出では90.09%のマクロF1スコアが得られた。
  論文  参考訳（メタデータ） (2025-10-21T17:18:55Z)
• Deep Learning-Based Detection of Cognitive Impairment from Passive Smartphone Sensing with Routine-Aware Augmentation and Demographic Personalization [9.633221910592804]
  認知障害の早期発見は、タイムリーな診断と介入に重要である。 受動的スマートフォンセンシングは、自然主義的かつ継続的な認知モニタリングのための有望なアプローチとして登場した。 日常的な行動特徴の連続から認知障害を検出するために,Long Short-Term Memory (LSTM) モデルを実装した。
  論文  参考訳（メタデータ） (2025-09-27T07:08:25Z)
• Early Mortality Prediction in ICU Patients with Hypertensive Kidney Disease Using Interpretable Machine Learning [3.4335475695580127]
  集中治療室(ICUs)の高血圧性腎疾患(HKD)患者は短期的死亡率が高い。 我々は,HKDのICU患者に対して,30日間の院内死亡を予測できる機械学習フレームワークを開発した。
  論文  参考訳（メタデータ） (2025-07-25T00:48:23Z)
• Integrating Deep Learning with Fundus and Optical Coherence Tomography for Cardiovascular Disease Prediction [47.7045293755736]
  心血管疾患(CVD)のリスクのある患者の早期発見は、効果的な予防ケア、医療負担の軽減、患者の生活の質の向上に不可欠である。 本研究は、網膜光コヒーレンス断層撮影(OCT)と眼底写真との併用による、将来の心疾患の特定の可能性を示すものである。 そこで我々は,MCVAE(Multi- Channel Variational Autoencoder)に基づく新たなバイナリ分類ネットワークを提案し,患者の眼底画像とOCT画像の潜伏埋め込みを学習し,個人を将来CVDを発症する可能性のあるものとそうでないものとの2つのグループに分類する。
  論文  参考訳（メタデータ） (2024-10-18T12:37:51Z)
• AXIAL: Attention-based eXplainability for Interpretable Alzheimer's Localized Diagnosis using 2D CNNs on 3D MRI brain scans [43.06293430764841]
  本研究では,3次元MRIを用いたアルツハイマー病診断の革新的手法を提案する。 提案手法では,2次元CNNがボリューム表現を抽出できるソフトアテンション機構を採用している。 ボクセルレベルの精度では、どの領域に注意が払われているかを同定し、これらの支配的な脳領域を同定する。
  論文  参考訳（メタデータ） (2024-07-02T16:44:00Z)
• Improving Opioid Use Disorder Risk Modelling through Behavioral and Genetic Feature Integration [3.524972282521988]
  オピオイドは急性および慢性の痛みに対して効果的な鎮痛薬であるが、中毒のリスクを負い、毎年数百万のオピオイド使用障害(OUD)と数万の早死にを経験する。 我々は,OUDに関連する遺伝的変異をGPSとWi-Fiの時間座標から抽出した行動特徴と組み合わせ,OUDリスクを評価するための実験的設計と計算手法を開発した。
  論文  参考訳（メタデータ） (2023-09-19T17:01:28Z)
• SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection Classifier [68.8204255655161]
  神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。 移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。 SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
  論文  参考訳（メタデータ） (2021-10-01T23:01:20Z)
• AttDMM: An Attentive Deep Markov Model for Risk Scoring in Intensive Care Units [20.96242356493069]
  ICUにおけるリアルタイムリスクスコアリングのための新しい生成的深層確率モデルを提案する。 私たちの知る限りでは、AttDMMは、健康軌道における長期疾患のダイナミクス(注意)と異なる疾患状態の両方を共同で学習する最初のICU予測モデルである。 本モデルは,医療従事者が早期に介入し,患者の命を救えるよう,リスクのある患者を特定するための道筋を示す。
  論文  参考訳（メタデータ） (2021-02-09T08:44:31Z)
• Epidemic mitigation by statistical inference from contact tracing data [61.04165571425021]
  我々は,個人が感染するリスクを推定するためにベイズ推定法を開発した。 本稿では,感染防止のための検査・隔離戦略を最適化するために,確率論的リスク推定手法を提案する。 我々のアプローチは、最近接触した個人間の通信のみを必要とする、完全に分散されたアルゴリズムに変換されます。
  論文  参考訳（メタデータ） (2020-09-20T12:24:45Z)
• Prediction of the onset of cardiovascular diseases from electronic health records using multi-task gated recurrent units [51.14334174570822]
  本稿では,電子カルテから心血管イベントを予測するための注意機構を備えたマルチタスク・リカレントニューラルネットワークを提案する。 提案手法は、NHS Foundation Trustの5年間のデータを用いて、標準的な臨床リスク予測器(QRISK)と機械学習の代替手段と比較される。
  論文  参考訳（メタデータ） (2020-07-16T17:43:13Z)
• Detecting Parkinsonian Tremor from IMU Data Collected In-The-Wild using Deep Multiple-Instance Learning [59.74684475991192]
  パーキンソン病(英: Parkinson's Disease、PD)は、60歳以上の人口の約1%に影響を与える徐々に進化する神経学的疾患である。 PD症状には、震動、剛性、ブレイキネジアがある。 本稿では,スマートフォン端末から受信したIMU信号に基づいて,PDに関連するトレモラスなエピソードを自動的に識別する手法を提案する。
  論文  参考訳（メタデータ） (2020-05-06T09:02:30Z)

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。