論文の概要: Enhanced Atrial Fibrillation Prediction in ESUS Patients with Hypergraph-based Pre-training

• arxiv url: http://arxiv.org/abs/2603.13297v2
• Date: Tue, 17 Mar 2026 03:00:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:42.278221
• Title: Enhanced Atrial Fibrillation Prediction in ESUS Patients with Hypergraph-based Pre-training
• Title（参考訳）: Hypergraph-based pre-training によるESUS患者の心房細動予測
• Authors: Yuzhang Xie, Yuhua Wu, Ruiyu Wang, Fadi Nahab, Xiao Hu, Carl Yang,
• Abstract要約: 心房細動(英: atrial fibrillation、AF)は、未決定源の塞栓性脳梗塞後の合併症である。 機械学習は約束を提供するが、小さなESUSコホートと高次元の医療的特徴によって妨げられる。 ESUS患者のAF予測を改善するために,教師付きおよび教師なしハイパーグラフに基づく事前訓練戦略を導入する。
• 参考スコア（独自算出の注目度）: 13.795088079526758
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Atrial fibrillation (AF) is a major complication following embolic stroke of undetermined source (ESUS), elevating the risk of recurrent stroke and mortality. Early identification is clinically important, yet existing tools face limitations in accuracy, scalability, and cost. Machine learning (ML) offers promise but is hindered by small ESUS cohorts and high-dimensional medical features. To address these challenges, we introduce supervised and unsupervised hypergraph-based pre-training strategies to improve AF prediction in ESUS patients. We first pre-train hypergraph-based patient embedding models on a large stroke cohort (7,780 patients) to capture salient features and higher-order interactions. The resulting embeddings are transferred to a smaller ESUS cohort (510 patients), reducing feature dimensionality while preserving clinically meaningful information, enabling effective prediction with lightweight models. Experiments show that both pre-training approaches outperform traditional models trained on raw data, improving accuracy and robustness. This framework offers a scalable and efficient solution for AF risk prediction after stroke.
• Abstract（参考訳）: 心房細動(英: atrial fibrillation, AF)は、未決定源(ESUS)の塞栓性脳梗塞後の主要な合併症であり、再発性脳梗塞と死亡のリスクを高める。 早期識別は臨床的に重要であるが、既存のツールは精度、スケーラビリティ、コストの制限に直面している。 機械学習(ML)は約束を提供するが、小さなESUSコホートと高次元の医療的特徴によって妨げられる。 これらの課題に対処するために、ESUS患者のAF予測を改善するために、教師付きおよび教師なしハイパーグラフベースの事前訓練戦略を導入する。 我々はまず,大脳卒中コホート(7,780人)にハイパーグラフをベースとした患者埋め込みモデルを構築し,正常な特徴と高次相互作用を捉えた。 得られた埋め込みは、より小さなESUSコホート(510人)に転送され、臨床的に意味のある情報を保存しながら特徴次元を減少させ、軽量モデルによる効果的な予測を可能にする。 実験により、両方の事前学習アプローチは、生データでトレーニングされた従来のモデルよりも優れ、正確性と堅牢性を向上させることが示された。 このフレームワークは、ストローク後のAFリスク予測にスケーラブルで効率的なソリューションを提供する。

関連論文リスト

• Adaptable Cardiovascular Disease Risk Prediction from Heterogeneous Data using Large Language Models [70.64969663547703]
  AdaCVDは、英国バイオバンクから50万人以上の参加者を対象に、大規模な言語モデルに基づいて構築された適応可能なCVDリスク予測フレームワークである。 包括的かつ可変的な患者情報を柔軟に取り込み、構造化データと非構造化テキストの両方をシームレスに統合し、最小限の追加データを使用して新規患者の集団に迅速に適応する。
  論文  参考訳（メタデータ） (2025-05-30T14:42:02Z)
• Machine Learning Solutions Integrated in an IoT Healthcare Platform for Heart Failure Risk Stratification [0.16863755729554883]
  慢性心不全(HF)の管理は、現代医療において重要な課題である。 本稿では,HFリスクのある患者を識別するための機械学習(ML)技術に基づく予測モデルを提案する。
  論文  参考訳（メタデータ） (2025-04-07T14:07:05Z)
• Deciphering Cardiac Destiny: Unveiling Future Risks Through Cutting-Edge Machine Learning Approaches [0.0]
  本研究の目的は,心停止事故のタイムリー同定のための予測モデルの開発と評価である。 我々は、XGBoost、Gradient Boosting、Naive Bayesといった機械学習アルゴリズムと、リカレントニューラルネットワーク(RNN)によるディープラーニング(DL)アプローチを採用しています。 厳密な実験と検証により,RNNモデルの優れた性能が示された。
  論文  参考訳（メタデータ） (2024-09-03T19:18:16Z)
• MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
  本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。 トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。 ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
  論文  参考訳（メタデータ） (2023-10-04T01:36:30Z)
• Hypergraph Convolutional Networks for Fine-grained ICU Patient Similarity Analysis and Risk Prediction [15.06049250330114]
  集中治療ユニット(ICU、Intensive Care Unit)は、重篤な患者を認め、継続的な監視と治療を提供する病院の最も重要な部分の1つである。 臨床意思決定における医療従事者を支援するために,様々な患者結果予測手法が試みられている。
  論文  参考訳（メタデータ） (2023-08-24T05:26:56Z)
• Clinical Deterioration Prediction in Brazilian Hospitals Based on Artificial Neural Networks and Tree Decision Models [56.93322937189087]
  超強化ニューラルネットワーク(XBNet)は臨床劣化(CD)を予測するために用いられる XGBoostモデルはブラジルの病院のデータからCDを予測する最良の結果を得た。
  論文  参考訳（メタデータ） (2022-12-17T23:29:14Z)
• SANSformers: Self-Supervised Forecasting in Electronic Health Records with Attention-Free Models [48.07469930813923]
  本研究は,医療施設への患者訪問数を予測することにより,医療サービスの需要を予測することを目的とする。 SNSformerは、特定の帰納バイアスを設計し、EHRデータの特異な特徴を考慮に入れた、注意のない逐次モデルである。 本研究は, 各種患者集団を対象とした医療利用予測の修正における, 注意力のないモデルと自己指導型事前訓練の有望な可能性について考察した。
  論文  参考訳（メタデータ） (2021-08-31T08:23:56Z)
• On the Robustness of Pretraining and Self-Supervision for a Deep Learning-based Analysis of Diabetic Retinopathy [70.71457102672545]
  糖尿病網膜症における訓練方法の違いによる影響を比較検討した。 本稿では,定量的性能,学習した特徴表現の統計,解釈可能性,画像歪みに対する頑健性など,さまざまな側面について検討する。 以上の結果から,ImageNet事前学習モデルでは,画像歪みに対する性能,一般化,堅牢性が著しく向上していることが示唆された。
  論文  参考訳（メタデータ） (2021-06-25T08:32:45Z)

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。