論文の概要: LLM-Augmented Computational Phenotyping of Long Covid

• arxiv url: http://arxiv.org/abs/2603.18115v1
• Date: Wed, 18 Mar 2026 15:02:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-20 17:19:05.777928
• Title: LLM-Augmented Computational Phenotyping of Long Covid
• Title（参考訳）: LLMによるLong Covidの計算表現法
• Abstract要約: このフレームワークは13,511人のLong Covid参加者に基づいて、3つの異なる臨床表現型、Protected, Responder, Refractoryを同定する。 これらの表現型は、ピーク症状の重症度、ベースライン疾患の重荷、および経時的線量応答パターンにおいて顕著な分離を示す。 本研究は, 複雑な縦長データから表現型スクリーニングを行うための, 基本的, 統計的に基礎付けられたパイプラインに, 大規模言語モデルをどのように組み込むことができるかを示す。
• 参考スコア（独自算出の注目度）: 17.253602770455927
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Phenotypic characterization is essential for understanding heterogeneity in chronic diseases and for guiding personalized interventions. Long COVID, a complex and persistent condition, yet its clinical subphenotypes remain poorly understood. In this work, we propose an LLM-augmented computational phenotyping framework ``Grace Cycle'' that iteratively integrates hypothesis generation, evidence extraction, and feature refinement to discover clinically meaningful subgroups from longitudinal patient data. The framework identifies three distinct clinical phenotypes, Protected, Responder, and Refractory, based on 13,511 Long Covid participants. These phenotypes exhibit pronounced separation in peak symptom severity, baseline disease burden, and longitudinal dose-response patterns, with strong statistical support across multiple independent dimensions. This study illustrates how large language models can be integrated into a principled, statistically grounded pipeline for phenotypic screening from complex longitudinal data. Note that the proposed framework is disease-agnostic and offers a general approach for discovering clinically interpretable subphenotypes.
• Abstract（参考訳）: フェノタイプの特徴は、慢性疾患の多様性を理解し、パーソナライズされた介入を導くために不可欠である。 長期の新型コロナウイルスは複雑で持続的な病態であるが、その臨床的サブフェノタイプはあまり理解されていない。 本研究では,長期的患者データから臨床的に有意なサブグループを発見するために,仮説生成,証拠抽出,特徴改善を反復的に統合したLCM拡張型計算表現型フレームワーク ‘Grace Cycle' を提案する。 このフレームワークは13,511人のLong Covid参加者に基づいて、3つの異なる臨床表現型、Protected, Responder, Refractoryを同定する。 これらの表現型は, ピーク症状の重症度, ベースライン疾患の重荷, 縦線量応答パターンの分離を顕著に示し, 多次元にわたって強い統計的支持を示した。 本研究は, 複雑な縦長データから表現型スクリーニングを行うための, 基本的, 統計的に基礎付けられたパイプラインに, 大規模言語モデルをどのように組み込むことができるかを示す。 提案する枠組みは病原性に依存しないものであり,臨床的に解釈可能なサブフェノタイプを発見するための一般的なアプローチを提供する。

関連論文リスト

• Large language models as synthetic clinical experts to inform longitudinal rare-disease modeling [0.5437050212139087]
  我々は,多変量オートエンコーダに基づくアプローチを監督するために,大規模言語モデル(LLM)を合成臨床の専門家として使用する。 LLMは、患者観察のテキスト記述に基づいてオフラインでクエリされ、判断を得る。
  論文  参考訳（メタデータ） (2026-08-17T12:47:18Z)
• CPAgents: Agentic Composite Phenotype Generation for Cardiac Disease Association [22.78248640423072]
  CPAgentsは心血管現象ワイド・アソシエーション研究(PheWAS)における反復的表現型合成フレームワークである 本システムでは, (i) 統計病理を識別し, 候補変換を推薦するアナリスト, (ii) 数値安全規則の下で制約付き, 医学的, 統計的に動機付けられた表現を生成するプロポーラ, (iii) 多段階基準を用いて候補を評価し, 透明なエビデンス・トレイルを生成する検証器の3つのエージェントをコーディネートする。
  論文  参考訳（メタデータ） (2026-06-26T15:20:08Z)
• Multimodal Graph-based Classification of Esophageal Motility Disorders [73.90451172929117]
  食道運動障害の診断は,高分解能インピーダンス測定データの複雑化と臨床解釈の多様性が原因で大きな課題となる。 本研究は,HRIM記録と患者固有の情報を組み合わせたマルチモーダル機械学習に基づく分類手法の実現可能性について検討し,食道生理学のグラフベースモデリングを取り入れた。
  論文  参考訳（メタデータ） (2026-05-13T14:52:12Z)
• LLM-MINE: Large Language Model based Alzheimer's Disease and Related Dementias Phenotypes Mining from Clinical Notes [13.189180222247337]
  本稿では,アルツハイマー病および認知症関連表現型の自動抽出のための大規模言語モデルに基づく表現型マイニングフレームワークを提案する。 専門家が定義した2つの表現型リストを用いて,コホート間の統計的意義と,教師なし疾患のステージングに対する有用性を検討することにより,抽出した表現型を評価する。 LLMをベースとした表現型抽出は,非構造化音符から臨床的に有意なADRD信号を検出する上で有望なツールであることを示す。
  論文  参考訳（メタデータ） (2026-03-14T00:45:23Z)
• Causal Representation Learning from Multimodal Biomedical Observations [57.00712157758845]
  バイオメディカルデータセットの理解を容易にするために,マルチモーダルデータに対するフレキシブルな識別条件と原理的手法を開発した。 主要な理論的貢献は、モジュラリティ間の因果関係の構造的空間性である。 実世界のヒト表現型データセットの結果は、確立された生物医学研究と一致している。
  論文  参考訳（メタデータ） (2024-11-10T16:40:27Z)
• Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
  同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。 構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。 スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
  論文  参考訳（メタデータ） (2024-03-02T00:56:05Z)
• T-Phenotype: Discovering Phenotypes of Predictive Temporal Patterns in Disease Progression [82.85825388788567]
  我々は、ラベル付き時系列データから予測時相パターンの表現型を発見するために、新しい時間的クラスタリング手法T-Phenotypeを開発した。 T-フェノタイプは, 評価ベースラインのすべてに対して, 最良の表現型発見性能を示す。
  論文  参考訳（メタデータ） (2023-02-24T13:30:35Z)
• Unsupervised ensemble-based phenotyping helps enhance the discoverability of genes related to heart morphology [57.25098075813054]
  我々はUn Phenotype Ensemblesという名の遺伝子発見のための新しいフレームワークを提案する。 教師なしの方法で学習された表現型のセットをプールすることで、冗長だが非常に表現性の高い表現を構築する。 これらの表現型は、(GWAS)を介して分析され、高い自信と安定した関連のみを保持する。
  論文  参考訳（メタデータ） (2023-01-07T18:36:44Z)
• Bayesian Networks for the robust and unbiased prediction of depression and its symptoms utilizing speech and multimodal data [65.28160163774274]
  我々は,抑うつ,抑うつ症状,および,胸腺で収集された音声,表情,認知ゲームデータから得られる特徴の関連性を把握するためにベイズ的枠組みを適用した。
  論文  参考訳（メタデータ） (2022-11-09T14:48:13Z)
• A cost-based multi-layer network approach for the discovery of patient phenotypes [2.816539638885011]
  コミュニティ検出手法を用いて表現型を検出するためのコストベース層セレクタモデルを提案する。 私たちのゴールは、その品質を維持しながら、これらの表現型を構築するのに使用される機能の数を最小化することです。 いくつかの後処理変数では、COBALTの表現型を特徴とする予測子は、従来のクラスタリング法で検出された表現型よりも優れていた。
  論文  参考訳（メタデータ） (2022-09-19T14:07:10Z)
• Unsupervised EHR-based Phenotyping via Matrix and Tensor Decompositions [0.6875312133832078]
  本稿では,低ランク近似に基づく計算表現法について概観する。 近年,様々な制約を組み込んだ低ランクデータ近似手法が開発され,解釈可能性の向上が図られている。
  論文  参考訳（メタデータ） (2022-09-01T09:47:27Z)

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。