論文の概要: TA-RNN-Medical-Hybrid: A Time-Aware and Interpretable Framework for Mortality Risk Prediction

• arxiv url: http://arxiv.org/abs/2603.08278v1
• Date: Mon, 09 Mar 2026 11:49:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-10 15:13:15.891783
• Title: TA-RNN-Medical-Hybrid: A Time-Aware and Interpretable Framework for Mortality Risk Prediction
• Title（参考訳）: TA-RNNメディカル・ハイブリッド : 死亡リスク予測のための時間認識・解釈可能なフレームワーク
• Authors: Zahra Jafari, Azadeh Zamanifar, Amirfarhad Farhadi,
• Abstract要約: 提案フレームワークは,予測精度と臨床解釈可能性のギャップを埋めるものである。 これは、確立した医療知識に沿った臨床的に有意義な説明を提供する。 提案するフレームワークは,大規模ICU意思決定支援システムに対して,スケーラブルで透過的なソリューションを提供する。
• 参考スコア（独自算出の注目度）: 0.9558392439655014
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate and interpretable mortality risk prediction in intensive care units (ICUs) remains a critical challenge due to the irregular temporal structure of electronic health records (EHRs), the complexity of longitudinal disease trajectories, and the lack of clinically grounded explanations in many data-driven models. To address these challenges, we propose \textit{TA-RNN-Medical-Hybrid}, a time-aware and knowledge-enriched deep learning framework that jointly models longitudinal clinical sequences and irregular temporal dynamics through explicit continuous-time encoding, along with standardized medical concept representations. The proposed framework extends time-aware recurrent modeling by integrating explicit continuous-time embeddings that operate independently of visit indexing, SNOMED-based disease representations, and a hierarchical dual-level attention mechanism that captures both visit-level temporal importance and feature/concept-level clinical relevance. This design enables accurate mortality risk estimation while providing transparent and clinically meaningful explanations aligned with established medical knowledge. We evaluate the proposed approach on the MIMIC-III critical care dataset and compare it against strong time-aware and sequential baselines. Experimental results demonstrate that TA-RNN-Medical-Hybrid consistently improves predictive performance in terms of AUC, accuracy, and recall-oriented F$_2$-score. Moreover, qualitative analysis shows that the model effectively decomposes mortality risk across time and clinical concepts, yielding interpretable insights into disease severity, chronicity, and temporal progression. Overall, the proposed framework bridges the gap between predictive accuracy and clinical interpretability, offering a scalable and transparent solution for high-stakes ICU decision support systems.
• Abstract（参考訳）: 集中治療単位(ICUs)の正確な死亡リスク予測は、電子健康記録(EHRs)の不規則な時間構造、縦断性疾患の軌跡の複雑化、多くのデータ駆動モデルにおける臨床的根拠の欠如など、依然として重要な課題である。 これらの課題に対処するために,時間認識と知識に富んだ深層学習フレームワークである‘textit{TA-RNN-Medical-Hybrid} を提案する。 提案フレームワークは,訪問索引付けとSNOMEDに基づく病的表現と,訪問レベルの時間的重要性と特徴/概念的臨床関連性の両方を捉える階層的な2段階の注意機構とを独立に運用する明示的な連続的な連続的埋め込みを統合することで,時間認識の反復モデリングを拡張する。 この設計は、確立した医療知識に沿った透明で臨床的に有意義な説明を提供しながら、正確な死亡リスク推定を可能にする。 提案手法をMIMIC-IIIクリティカルケアデータセットで評価し,強い時間認識とシーケンシャルベースラインと比較した。 実験結果から,TA-RNN-Medical-HybridはAUC,精度,リコール指向F$_2$-scoreの予測性能を一貫して向上することが示された。 さらに、定性的分析により、モデルは時間と臨床的概念をまたいだ死亡リスクを効果的に分解し、疾患の重症度、慢性性、時間的進行に関する解釈可能な洞察をもたらすことが示された。 提案するフレームワークは全体として,予測精度と臨床解釈可能性のギャップを埋め,高速ICU意思決定支援システムのためのスケーラブルで透明なソリューションを提供する。

関連論文リスト

• Beyond Traditional Diagnostics: Transforming Patient-Side Information into Predictive Insights with Knowledge Graphs and Prototypes [55.310195121276074]
  本稿では,病気を予測するための知識グラフ,プロトタイプ認識,解釈可能なフレームワークを提案する。 構造化された信頼された医療知識を統合された疾患知識グラフに統合し、臨床的に意味のある疾患のプロトタイプを構築し、予測精度を高めるために対照的な学習を利用する。 臨床的に有効な説明を提供し、患者の物語と密接に一致し、患者中心のヘルスケアデリバリーの実践的価値を強調している。
  論文  参考訳（メタデータ） (2025-12-09T05:37:54Z)
• 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)
• LLM-Augmented Symptom Analysis for Cardiovascular Disease Risk Prediction: A Clinical NLP [2.2615384250361004]
  本研究は, 症状抽出, 文脈推論, 自由テキストレポートからの相関に, ドメイン適応型大言語モデルを用いた, 新規なLLM拡張臨床NLPパイプラインを提案する。 MIMIC-IIIおよびCARDIO-NLPデータセットの評価は、精度、リコール、F1スコア、AUROCにおいて高い臨床関連性を示した。
  論文  参考訳（メタデータ） (2025-07-15T07:32:16Z)
• 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)
• Reasoning-Enhanced Healthcare Predictions with Knowledge Graph Community Retrieval [61.70489848327436]
  KAREは、知識グラフ(KG)コミュニティレベルの検索と大規模言語モデル(LLM)推論を統合する新しいフレームワークである。 MIMIC-IIIでは最大10.8～15.0%、MIMIC-IVでは12.6～12.7%である。
  論文  参考訳（メタデータ） (2024-10-06T18:46:28Z)
• 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)
• Interpretable Vital Sign Forecasting with Model Agnostic Attention Maps [5.354055742467353]
  本稿では,ディープラーニングモデルとアテンションメカニズムを組み合わせたフレームワークを提案する。 注意機構は,N-HiTSやN-BEATSといった様々なブラックボックス時系列予測モデルに適用可能であることを示す。
  論文  参考訳（メタデータ） (2024-05-02T20:19:07Z)
• SurvLatent ODE : A Neural ODE based time-to-event model with competing risks for longitudinal data improves cancer-associated Deep Vein Thrombosis (DVT) prediction [68.8204255655161]
  本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。 そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。 SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
  論文  参考訳（メタデータ） (2022-04-20T17:28:08Z)
• MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
  本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。 我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。 我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
  論文  参考訳（メタデータ） (2020-10-08T15:30:17Z)

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。