論文の概要: Is Clinical Text Enough? A Multimodal Study on Mortality Prediction in Heart Failure Patients

• arxiv url: http://arxiv.org/abs/2604.01924v1
• Date: Thu, 02 Apr 2026 11:41:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-03 14:21:10.713424
• Title: Is Clinical Text Enough? A Multimodal Study on Mortality Prediction in Heart Failure Patients
• Title（参考訳）: 臨床テキストは十分か?心不全患者の死亡予測に関するマルチモーダル研究
• Authors: Oumaima El Khettari, Virgile Barthet, Guillaume Hocquet, Joconde Weller, Emmanuel Morin, Pierre Zweigenbaum,
• Abstract要約: 心不全コホートを用いたトランスフォーマーモデルの評価を行った。 臨床テキストをエンティティレベルの表現で豊かにすることで,CLS埋め込みのみによる予測が向上することを示す。 大規模な言語モデルは、モダリティやデコード戦略に一貫性がない。
• 参考スコア（独自算出の注目度）: 1.6784199253342376
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate short-term mortality prediction in heart failure (HF) remains challenging, particularly when relying on structured electronic health record (EHR) data alone. We evaluate transformer-based models on a French HF cohort, comparing text-only, structured-only, multimodal, and LLM-based approaches. Our results show that enriching clinical text with entity-level representations improves prediction over CLS embeddings alone, and that supervised multimodal fusion of text and structured variables achieves the best overall performance. In contrast, large language models perform inconsistently across modalities and decoding strategies, with text-only prompts outperforming structured or multimodal inputs. These findings highlight that entity-aware multimodal transformers offer the most reliable solution for short-term HF outcome prediction, while current LLM prompting remains limited for clinical decision support.
• Abstract（参考訳）: 心不全(HF)の正確な短期死亡予測は、特に構造化された電子健康記録(EHR)データのみに依存する場合、依然として困難である。 本研究では,HFコホートを用いたトランスフォーマーモデルの評価を行い,テキストのみ,構造化のみ,マルチモーダル,LLMに基づくアプローチを比較した。 以上の結果から, エンティティレベルの表現による臨床テキストの充実は, CLSの埋め込みのみによる予測を向上し, テキストと構造化変数のマルチモーダル融合を監督することにより, 全体的な性能が向上することが示唆された。 対照的に、大きな言語モデルはモダリティとデコード戦略で矛盾なく動作し、テキストのみのプロンプトは構造化またはマルチモーダル入力より優れている。 これらの結果から, 実体認識型マルチモーダルトランスフォーマーは短期的HF予後予測において最も信頼性の高いソリューションであり, 現状のLCMプロンプトは臨床診断支援に限られていることが明らかとなった。

関連論文リスト

• Cross-Linguistic Persona-Driven Data Synthesis for Robust Multimodal Cognitive Decline Detection [20.599682298329213]
  我々は、制御可能なゼロショットマルチモーダルデータ合成とChain-of-Thought deductionファインチューニングを統合する新しいフレームワークであるSynCogを紹介する。 この生成パラダイムは、様々な言語にまたがる臨床コーパスの迅速でゼロショット展開を可能にする。 ADReSSとADReSSoベンチマークの実験は、限られた臨床データを合成表現型で増強することで、競争力のある診断性能が得られることを示した。
  論文  参考訳（メタデータ） (2026-02-08T14:10:05Z)
• A Federated and Parameter-Efficient Framework for Large Language Model Training in Medicine [59.78991974851707]
  大規模言語モデル(LLM)は、質問応答や診断など、医療ベンチマークにおいて強力なパフォーマンスを示している。 ほとんどの医療用LDMは、異種システムの一般化性と安全性の制限に直面している単一の機関のデータに基づいて訓練されている。 本稿では, LLMを医療応用に適用するためのモデルに依存しない, パラメータ効率のよいフェデレーション学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-29T18:48:21Z)
• ClinStructor: AI-Powered Structuring of Unstructured Clinical Texts [3.073796943975155]
  我々は,ClinStructorについて述べる。ClinStructorは大規模言語モデル(LLM)を利用して,臨床自由テキストを予測モデルに先立って構造化されたタスク固有の質問応答ペアに変換するパイプラインである。 本手法は透明性と制御性を大幅に向上させ,予測性能の低下を招く。
  論文  参考訳（メタデータ） (2025-11-14T21:21:16Z)
• MedAlign: A Synergistic Framework of Multimodal Preference Optimization and Federated Meta-Cognitive Reasoning [52.064286116035134]
  我々はMed-VQA(Med-VQA)のための視覚的LVLM応答を保証するフレームワークであるMedAlignを開発した。 まず、優先学習を視覚的コンテキストに合わせるために、マルチモーダルな直接選好最適化(mDPO)の目的を提案する。 次に、画像とテキストの類似性を生かし、クエリを専門的でコンテキスト拡張されたLVLMにルーティングする検索型混合処理(RA-MoE)アーキテクチャを設計する。
  論文  参考訳（メタデータ） (2025-10-24T02:11:05Z)
• Analysis of Image-and-Text Uncertainty Propagation in Multimodal Large Language Models with Cardiac MR-Based Applications [10.096013178241117]
  MLLM(Multimodal large language model)は、テキストや画像などのマルチモーダルソースからの情報を処理する。 個々のユニモーダルデータと潜在的な臨床応用による不確実性は、まだ完全には理解されていない。 本研究では,不確実性伝播に基づくマルチモーダル不確実性伝播モデル(MUPM)を提案する。
  論文  参考訳（メタデータ） (2025-07-17T09:34:21Z)
• Attribute Structuring Improves LLM-Based Evaluation of Clinical Text Summaries [56.31117605097345]
  大規模言語モデル(LLM)は、正確な臨床テキスト要約を生成する可能性を示しているが、根拠付けと評価に関する問題に苦慮している。 本稿では、要約評価プロセスを構成するAttribute Structuring(AS)を用いた一般的な緩和フレームワークについて検討する。 ASは、臨床テキスト要約における人間のアノテーションと自動メトリクスの対応性を一貫して改善する。
  論文  参考訳（メタデータ） (2024-03-01T21:59:03Z)
• XAI for In-hospital Mortality Prediction via Multimodal ICU Data [57.73357047856416]
  マルチモーダルICUデータを用いて病院内死亡率を予測するための,効率的で説明可能なAIソリューションを提案する。 我々は,臨床データから異種入力を受信し,意思決定を行うマルチモーダル・ラーニングを我々のフレームワークに導入する。 我々の枠組みは、医療研究において重要な要素の発見を容易にする他の臨床課題に容易に移行することができる。
  論文  参考訳（メタデータ） (2023-12-29T14:28:04Z)
• Self-Verification Improves Few-Shot Clinical Information Extraction [73.6905567014859]
  大規模言語モデル (LLMs) は、数発のテキスト内学習を通じて臨床キュレーションを加速する可能性を示している。 正確性や解釈可能性に関する問題、特に健康のようなミッションクリティカルな領域ではまだ苦戦している。 本稿では,自己検証を用いた汎用的な緩和フレームワークについて検討する。このフレームワークはLLMを利用して,自己抽出のための証明を提供し,その出力をチェックする。
  論文  参考訳（メタデータ） (2023-05-30T22:05:11Z)
• P-Transformer: A Prompt-based Multimodal Transformer Architecture For Medical Tabular Data [2.4688646371447898]
  医用表データに特化して設計されたマルチモーダルアンダーライントランスフォーマアーキテクチャであるPTransformerを提案する。 このフレームワークは、構造化データと非構造化データの両方から、多彩なモダリティを調和した言語意味空間に効率的にエンコードする。 PTransformerは、RMSE/MAEで10.9%/11.0%、RMSE/MAEで0.5%/2.2%、BACC/AUROCで1.6%/0.8%の改善を実証した。
  論文  参考訳（メタデータ） (2023-03-30T14:25:44Z)

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。