論文の概要: The Taxonomies, Training, and Applications of Event Stream Modelling for Electronic Health Records

• arxiv url: http://arxiv.org/abs/2603.14003v1
• Date: Sat, 14 Mar 2026 16:08:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:35.536334
• Title: The Taxonomies, Training, and Applications of Event Stream Modelling for Electronic Health Records
• Title（参考訳）: 電子カルテにおけるイベントストリームモデリングの分類・訓練と応用
• Authors: Mingcheng Zhu, Yu Liu, Zhiyao Luo, Tingting Zhu,
• Abstract要約: EHRは、医療における人工知能の変革的ポテンシャルを提供する。 従来のモデリングアプローチは、実世界の臨床データの本質的にの空間性と不規則性に対応するのに苦労することが多い。 研究は、患者の記録を連続的なシーケンスとして扱うイベントストリーム表現に移行した。
• 参考スコア（独自算出の注目度）: 6.63303513347406
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The widespread adoption of electronic health records (EHRs) enables the acquisition of heterogeneous clinical data, spanning lab tests, vital signs, medications, and procedures, which offer transformative potential for artificial intelligence in healthcare. Although traditional modelling approaches have typically relied on multivariate time series, they often struggle to accommodate the inherent sparsity and irregularity of real-world clinical workflows. Consequently, research has shifted toward event stream representation, which treats patient records as continuous sequences, thereby preserving the precise temporal structure of the patient journey. However, the existing literature remains fragmented, characterised by inconsistent definitions, disparate modelling architectures, and varying training protocols. To address these gaps, this review establishes a unified definition of EHR event streams and introduces a novel taxonomy that categorises models based on their handling of event time, type, and value. We systematically review training strategies, ranging from supervised learning to self-supervised methods, and provide a comprehensive discussion of applications across clinical scenarios. Finally, we identify open critical challenges and future directions, with the aim of clarifying the current landscape and guiding the development of next-generation healthcare models.
• Abstract（参考訳）: 電子健康記録(EHR)の普及により、異種の臨床データの取得が可能となり、検査、バイタルサイン、医薬品、および医療における人工知能の変革的ポテンシャルが提供される。 従来のモデリングアプローチは、典型的には多変量時系列に依存してきたが、現実の臨床ワークフローの本質的な疎さと不規則さに対応するのに苦慮することが多い。 その結果、患者記録を連続的なシーケンスとして扱うイベントストリーム表現に移行し、患者旅行の正確な時間構造を保存するようになった。 しかし、既存の文献は断片化されており、一貫性のない定義、異なるモデリングアーキテクチャ、様々なトレーニングプロトコルが特徴的である。 これらのギャップに対処するため、このレビューでは、EHRイベントストリームの統一的な定義を確立し、イベント時間、タイプ、価値の扱いに基づいてモデルを分類する新しい分類法を紹介します。 我々は,指導的学習から自己指導的手法まで,訓練戦略を体系的に検討し,臨床シナリオにおける応用の総合的な議論を行う。 最後に、現在の状況を明確にし、次世代医療モデルの開発を導くことを目的として、オープンな批判的課題と今後の方向性を特定します。

関連論文リスト

• DT-BEHRT: Disease Trajectory-aware Transformer for Interpretable Patient Representation Learning [29.777694695551606]
  EHR(DT-BEHRT)用疾患軌跡認識変換器 本稿では,臓器内における診断中心の相互作用を明示的にモデル化し,非同期進行パターンを捉えることで,疾患の軌跡を乱すグラフ強化シーケンシャルアーキテクチャを提案する。 複数のベンチマークデータセットの実験では、DT-BEHRTは強い予測性能を示し、臨床医の疾患中心の推論と一致する解釈可能な患者表現を提供する。
  論文  参考訳（メタデータ） (2026-03-10T19:21:40Z)
• CLARITY: Medical World Model for Guiding Treatment Decisions by Modeling Context-Aware Disease Trajectories in Latent Space [49.74032713886216]
  CLARITYは、構造化潜在空間内で直接疾患の進化を予測する医療世界モデルである。 時間間隔(時間的文脈)と患者固有のデータ(臨床的文脈)を明確に統合し、スムーズで解釈可能な軌跡として治療条件の進行をモデル化する。
  論文  参考訳（メタデータ） (2025-12-08T20:42:10Z)
• Integrating Genomics into Multimodal EHR Foundation Models [56.31910745104141]
  本稿では,ポリジェニックリスクスコア(PRS)を基本データモダリティとして統合した,革新的なEHR基盤モデルを提案する。 このフレームワークは、臨床データと遺伝子前置詞の複雑な関係を学習することを目的としている。 このアプローチは、病気の予測、積極的な健康管理、リスク階層化、パーソナライズされた治療戦略に対する新たな洞察を解放するために重要である。
  論文  参考訳（メタデータ） (2025-10-24T15:56:40Z)
• 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)
• Temporal Entailment Pretraining for Clinical Language Models over EHR Data [9.584923572354045]
  臨床領域における言語モデルのための新しい時間的包含事前学習目標を提案する。 本手法は, EHRセグメントを時間的に順序付けられた文対として定式化し, 後の状態が先行状態に関係しているか, 矛盾しているか, 中立であるかを決定するようモデルを訓練する。
  論文  参考訳（メタデータ） (2025-04-25T07:30:38Z)
• 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)
• 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)
• COPER: Continuous Patient State Perceiver [13.735956129637945]
  本研究では,ERHにおける不規則な時系列に対処するため,COPERと呼ばれる新規患者状態パーセンシバーモデルを提案する。 ニューラル常微分方程式(ODE)は、COPERが通常の時系列を生成してPerceiverモデルに供給するのに役立ちます。 提案モデルの性能評価には,MIMIC-IIIデータセット上での院内死亡予測タスクを用いる。
  論文  参考訳（メタデータ） (2022-08-05T14:32:57Z)
• Self-Supervised Graph Learning with Hyperbolic Embedding for Temporal Health Event Prediction [13.24834156675212]
  本稿では,情報フローを組み込んだハイパーボリック埋め込み手法を提案する。 我々は、これらの事前学習された表現をグラフニューラルネットワークに組み込んで、疾患の合併症を検出する。 本稿では,EHRデータを完全に活用する自己教師付き学習フレームワークに,階層型で強化された履歴予測代行タスクを提案する。
  論文  参考訳（メタデータ） (2021-06-09T00:42:44Z)
• 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。