論文の概要: Translational Gaps in Graph Transformers for Longitudinal EHR Prediction: A Critical Appraisal of GT-BEHRT

• arxiv url: http://arxiv.org/abs/2603.13231v1
• Date: Tue, 20 Jan 2026 21:18:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:42.20943
• Title: Translational Gaps in Graph Transformers for Longitudinal EHR Prediction: A Critical Appraisal of GT-BEHRT
• Title（参考訳）: 経時的EHR予測のためのグラフ変換器の翻訳ギャップ:GT-BEHRTの臨界評価
• Authors: Krish Tadigotla,
• Abstract要約: 我々は,MIMIC-IV集中治療結果と心不全予測に基づいて評価したグラフ変換器アーキテクチャであるGT-BEHRTについて検討した。 キャリブレーション解析の欠如,不完全公平性評価,コホート選択に対する感受性,表現型や予測地平線を越えた限定的な分析など,いくつかの重要なギャップを同定する。 全体として、GT-BEHRTはEHR表現学習において有意義なアーキテクチャ上の進歩を示すが、より厳密な評価は校正、公平性、展開に重点を置いている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Transformer-based models have improved predictive modeling on longitudinal electronic health records through large-scale self-supervised pretraining. However, most EHR transformer architectures treat each clinical encounter as an unordered collection of codes, which limits their ability to capture meaningful relationships within a visit. Graph-transformer approaches aim to address this limitation by modeling visit-level structure while retaining the ability to learn long-term temporal patterns. This paper provides a critical review of GT-BEHRT, a graph-transformer architecture evaluated on MIMIC-IV intensive care outcomes and heart failure prediction in the All of Us Research Program. We examine whether the reported performance gains reflect genuine architectural benefits and whether the evaluation methodology supports claims of robustness and clinical relevance. We analyze GT-BEHRT across seven dimensions relevant to modern machine learning systems, including representation design, pretraining strategy, cohort construction transparency, evaluation beyond discrimination, fairness assessment, reproducibility, and deployment feasibility. GT-BEHRT reports strong discrimination for heart failure prediction within 365 days, with AUROC 94.37 +/- 0.20, AUPRC 73.96 +/- 0.83, and F1 64.70 +/- 0.85. Despite these results, we identify several important gaps, including the lack of calibration analysis, incomplete fairness evaluation, sensitivity to cohort selection, limited analysis across phenotypes and prediction horizons, and limited discussion of practical deployment considerations. Overall, GT-BEHRT represents a meaningful architectural advance in EHR representation learning, but more rigorous evaluation focused on calibration, fairness, and deployment is needed before such models can reliably support clinical decision-making.
• Abstract（参考訳）: トランスフォーマーベースのモデルでは、大規模自己監督型事前トレーニングにより、縦型電子健康記録の予測モデルが改善された。 しかしながら、ほとんどのEHRトランスフォーマーアーキテクチャは、各臨床の遭遇を秩序のないコードの集合として扱い、訪問中に意味のある関係を捉える能力を制限する。 グラフ変換器のアプローチは、長期の時間的パターンを学習する能力を維持しながら、訪問レベルの構造をモデル化することで、この制限に対処することを目的としている。 本稿では,MIMIC-IV集中治療結果に基づくグラフ変換アーキテクチャであるGT-BEHRTの批判的レビューと,全Us研究プログラムにおける心不全予測について述べる。 報告された性能向上が真のアーキテクチャ上のメリットを反映するかどうか,評価手法がロバスト性や臨床的妥当性の主張を裏付けるかどうかを検討する。 GT-BEHRTは、表現設計、事前学習戦略、コホート構築透明性、差別以外の評価、公正性評価、再現性、デプロイメント実現性など、現代の機械学習システムに関連する7つの次元にわたって分析する。 GT-BEHRTは365日以内に、AUROC 94.37 +/- 0.20、AUPRC 73.96 +/- 0.83、F1 64.70 +/- 0.85で心臓不全の予測を強く評価している。 これらの結果にもかかわらず、キャリブレーション分析の欠如、不完全公平性評価、コホート選択に対する感受性、表現型や予測地平線を越えた限定的な分析、実践的展開の考慮事項の限定的な議論など、いくつかの重要なギャップが明らかになった。 全体として、GT-BEHRTはEHR表現学習において有意義なアーキテクチャ上の進歩を示すが、より厳密な評価は校正、公平性、展開に重点を置いている。

関連論文リスト

• Position: Evaluation of ECG Representations Must Be Fixed [1.567009619451362]
  本論文は、12段階のECG表現学習における現在のベンチマーク実践は、進歩が信頼でき、臨床的に有意義な目的と整合することを保証するために、修正されるべきである、と論じる。 本研究は、心電図関連エンドポイントの発達とともに、心疾患や患者レベル予測の評価を含むように下流評価を拡大するべきであると論じる。
  論文  参考訳（メタデータ） (2026-02-19T16:42:46Z)
• Investigating the Impact of Histopathological Foundation Models on Regressive Prediction of Homologous Recombination Deficiency [52.50039435394964]
  回帰に基づくタスクの基礎モデルを体系的に評価する。 我々は5つの最先端基礎モデルを用いて、スライド画像全体(WSI)からパッチレベルの特徴を抽出する。 乳房、子宮内膜、肺がんコホートにまたがるこれらの抽出された特徴に基づいて、連続したRDDスコアを予測するモデルが訓練されている。
  論文  参考訳（メタデータ） (2026-01-29T14:06:50Z)
• A DeepSeek-Powered AI System for Automated Chest Radiograph Interpretation in Clinical Practice [83.11942224668127]
  Janus-Pro-CXR (1B) はDeepSeek Janus-Proモデルに基づく胸部X線解釈システムである。 本システムは, 自動レポート生成において, 最先端のX線レポート生成モデルより優れる。
  論文  参考訳（メタデータ） (2025-12-23T13:26:13Z)
• Large language models surpass domain-specific architectures for antepartum electronic fetal monitoring analysis [3.365708695027943]
  ファンデーションモデル(FM)と大規模言語モデル(LLM)は、時系列解析のために様々な領域にまたがる有望な一般化を実証している。 自動CTG分類のための最先端アーキテクチャの総合ベンチマークを初めて提示する。
  論文  参考訳（メタデータ） (2025-09-09T22:04:33Z)
• Predicting Fetal Outcomes from Cardiotocography Signals Using a Supervised Variational Autoencoder [1.8352113484137627]
  心電図(CTG)信号を妊娠結果に基づいて分類するための教師付き変分オートエンコーダ(VAE)モデルの開発と解釈を行った。
  論文  参考訳（メタデータ） (2025-09-08T10:54:04Z)
• Medical Reasoning in the Era of LLMs: A Systematic Review of Enhancement Techniques and Applications [59.721265428780946]
  医学における大きな言語モデル(LLM)は印象的な能力を実現しているが、体系的で透明で検証可能な推論を行う能力に重大なギャップが残っている。 本稿は、この新興分野に関する最初の体系的なレビューを提供する。 本稿では,学習時間戦略とテスト時間メカニズムに分類した推論強化手法の分類法を提案する。
  論文  参考訳（メタデータ） (2025-08-01T14:41:31Z)
• D-STGCNT: A Dense Spatio-Temporal Graph Conv-GRU Network based on transformer for assessment of patient physical rehabilitation [0.30693357740321775]
  本稿では,リハビリテーション演習を評価するための新しいグラフベースモデルを提案する。 デンス接続とGRU機構は、大きな3Dスケルトン入力を迅速に処理するために使用される。 KIMOREおよびUI-PRMDデータセットに対する提案手法の評価は,その可能性を強調した。
  論文  参考訳（メタデータ） (2023-12-21T00:38:31Z)
• 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)
• Foresight -- Deep Generative Modelling of Patient Timelines using Electronic Health Records [46.024501445093755]
  医学史の時間的モデリングは、将来の出来事を予測し、シミュレートしたり、リスクを見積り、代替診断を提案したり、合併症を予測するために使用することができる。 我々は、文書テキストを構造化されたコード化された概念に変換するためにNER+Lツール(MedCAT)を使用する新しいGPT3ベースのパイプラインであるForesightを提示する。
  論文  参考訳（メタデータ） (2022-12-13T19:06:00Z)

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。