論文の概要: Generating Counterfactual Patient Timelines from Real-World Data

• arxiv url: http://arxiv.org/abs/2604.02337v1
• Date: Sat, 24 Jan 2026 05:42:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 02:32:13.803125
• Title: Generating Counterfactual Patient Timelines from Real-World Data
• Title（参考訳）: 実世界データから対実的患者時系列を生成する
• Authors: Yu Akagi, Tomohisa Seki, Toru Takiguchi, Hiromasa Ito, Yoshimasa Kawazoe, Kazuhiko Ohe,
• Abstract要約: 実世界のデータに基づいて訓練された自己回帰生成モデルが臨床的に妥当な反事実軌道を生成できることを示す。 高齢者, CRP, 血清クレアチニン値の上昇により, 院内死亡率の上昇が観察された。 これらの結果から, 実世界のデータを用いた自己回帰生成モデルが, 臨床シミュレーションの基盤となる可能性が示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Counterfactual simulation - exploring hypothetical consequences under alternative clinical scenarios - holds promise for transformative applications such as personalized medicine and in silico trials. However, it remains challenging due to methodological limitations. Here, we show that an autoregressive generative model trained on real-world data from over 300,000 patients and 400 million patient timeline entries can generate clinically plausible counterfactual trajectories. As a validation task, we applied the model to patients hospitalized with COVID-19 in 2023, modifying age, serum C-reactive protein (CRP), and serum creatinine to simulate 7-day outcomes. Increased in-hospital mortality was observed in counterfactual simulations with older age, elevated CRP, and elevated serum creatinine. Remdesivir prescriptions increased in simulations with higher CRP values and decreased in those with impaired kidney function. These counterfactual trajectories reproduced known clinical patterns. These findings suggest that autoregressive generative models trained on real-world data in a self-supervised manner can establish a foundation for counterfactual clinical simulation.
• Abstract（参考訳）: 代替的な臨床シナリオの下で仮説的な結果を探究する反現実的シミュレーションは、パーソナライズドメディカルやシリコ・トライアルのような変革的な応用を約束する。 しかし、方法論的な制約のため、依然として困難である。 そこで本研究では,30万人以上の患者と4億件の患者タイムラインから得られた実世界のデータに基づいて学習した自己回帰生成モデルを用いて,臨床的に妥当な反現実的軌跡を生成することができることを示す。 2023年に入院した患者に対して, 年齢, 血清C-反応性蛋白 (CRP) および血清クレアチニンを用いて7日間の結果をシミュレートした。 高齢者, CRP, 血清クレアチニン値の上昇により, 院内死亡率の上昇が観察された。 Remdesivirの処方薬は、CRP値の高いシミュレーションで増加し、腎機能障害の患者では低下した。 これらの反事実軌道は既知の臨床パターンを再現した。 これらの結果から, 実世界のデータを用いた自己回帰生成モデルが, 臨床シミュレーションの基盤となる可能性が示唆された。

関連論文リスト

• Simulating clinical interventions with a generative multimodal model of human physiology [49.828582089394445]
  HealthFormerは、人間の生理的軌道を生成的にモデル化するデコーダのみのトランスフォーマーである。 7つの領域にまたがる667個の測定値に対して,各被験者の健康軌道をトークン化する。 HealthFormerは、30のインシデント障害および死亡エンドポイントのうち27の予測を改善し、各比較で確立された臨床リスクスコアを超えた。
  論文  参考訳（メタデータ） (2026-04-30T14:10:30Z)
• Predicting Neuromodulation Outcome for Parkinson's Disease with Generative Virtual Brain Model [95.41752463487008]
  パーキンソン病は世界中で1千万人以上に影響している。 個人間変異は経験的治療の選択を制限し、非無視的な外科的リスクとコストを増大させる。 我々は、このギャップをトレーニング済みのファインタニングフレームワークで埋めて、静止状態fMRIから直接結果を予測する。
  論文  参考訳（メタデータ） (2026-03-31T02:36:10Z)
• LiveClin: A Live Clinical Benchmark without Leakage [50.45415584327275]
  LiveClinは、実際の臨床実践を近似するために設計されたライブベンチマークである。 本研究は,患者を臨床経過全体にわたる複雑なマルチモーダルな評価シナリオに転換する。 LiveClin上で26のモデルを評価すると、これらの実世界のシナリオの難しさが明らかとなり、最高性能のモデルではケース精度が35.7%に達した。
  論文  参考訳（メタデータ） (2026-02-18T03:59:46Z)
• EHRWorld: A Patient-Centric Medical World Model for Long-Horizon Clinical Trajectories [16.355665390403654]
  近年の大規模言語モデル (LLM) は, 静的な医学的推論タスクにおいて高い性能を発揮している。 臨床知識を取り入れたLCMは,連続的介入による一貫した患者状態の維持に苦慮している。 EHRWorldは、患者中心の医療世界モデルであり、因果的シーケンシャルパラダイムの下で訓練されている。
  論文  参考訳（メタデータ） (2026-02-03T14:12:24Z)
• High-Fidelity Longitudinal Patient Simulation Using Real-World Data [0.0]
  実世界の臨床記録は、経験的に患者のタイムラインをモデル化するために活用できることを示す。 我々は,患者の歴史を入力として捉え,よりきめ細かな,現実的な将来の軌跡を合成する生成シミュレーターモデルを開発した。
  論文  参考訳（メタデータ） (2026-01-24T05:27:49Z)
• Organ-Agents: Virtual Human Physiology Simulator via LLMs [66.40796430669158]
  オルガン-エージェント(Organ-Agents)は、LDM駆動のエージェントを介して人間の生理学をシミュレートする多エージェントフレームワークである。 症例は7,134例,コントロール7,895例で,9系統および125変数にわたる高分解能トラジェクトリを作成した。 臓器抗原は4,509人の保留患者に対して高いシミュレーション精度を達成し, システムごとのMSE0.16とSOFA系重症度層間の堅牢性を示した。
  論文  参考訳（メタデータ） (2025-08-20T01:58:45Z)
• Retrieval-Reasoning Large Language Model-based Synthetic Clinical Trial Generation [8.567656208979475]
  本稿では, 大規模言語モデルを利用した新規な検索・推論フレームワークを提案する。 urlClinicalTrials.govデータベースによる実際の臨床試験で実施された実験は、我々の合成データが実際のデータセットを効果的に増大させることができることを示した。 本研究は, 臨床研究を加速し, 患者プライバシの倫理基準を高くする上で, 総合臨床試験生成のためのLCMが期待できることを示唆する。
  論文  参考訳（メタデータ） (2024-10-16T11:46:32Z)
• TRIALSCOPE: A Unifying Causal Framework for Scaling Real-World Evidence Generation with Biomedical Language Models [21.437563965711004]
  本稿では,大規模観測データから堅牢な実世界の証拠を生成するためのフレームワークであるTRIALSCOPEを提案する。 このフレームワークは、高品質な構造化された患者データを自動的にキュレートし、データセットを拡張し、非構造化形式でのみ利用可能な主要な患者属性を組み込む。 また,TriALSCOPEは,抽出した実世界のデータから,肺癌および膵癌の臨床試験の結果を再現できることを示した。
  論文  参考訳（メタデータ） (2023-11-02T15:15:47Z)
• SurvLatent ODE : A Neural ODE based time-to-event model with competing risks for longitudinal data improves cancer-associated Deep Vein Thrombosis (DVT) prediction [68.8204255655161]
  本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。 そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。 SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
  論文  参考訳（メタデータ） (2022-04-20T17:28:08Z)
• MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
  本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。 我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。 我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
  論文  参考訳（メタデータ） (2020-10-08T15:30:17Z)

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。