論文の概要: A Clinical Point Cloud Paradigm for In-Hospital Mortality Prediction from Multi-Level Incomplete Multimodal EHRs

• arxiv url: http://arxiv.org/abs/2604.04614v1
• Date: Mon, 06 Apr 2026 12:03:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:19.184608
• Title: A Clinical Point Cloud Paradigm for In-Hospital Mortality Prediction from Multi-Level Incomplete Multimodal EHRs
• Title（参考訳）: マルチレベル不完全なマルチモーダルEHRを用いた病院内死亡予測のためのポイントクラウドパラダイム
• Authors: Bohao Li, Tao Zou, Junchen Ye, Yan Gong, Bowen Du,
• Abstract要約: HealthPointは、コンテンツ、時間、モダリティ、ケースによって定義される4D空間のポイントとして、異種の臨床イベントを表す。 我々は,HPが不完全性の異なる条件下で,常に最先端性能と強靭性を達成していることを示す。
• 参考スコア（独自算出の注目度）: 11.802392938968138
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning-based modeling of multimodal Electronic Health Records (EHRs) has become an important approach for clinical diagnosis and risk prediction. However, due to diverse clinical workflows and privacy constraints, raw EHRs are inherently multi-level incomplete, including irregular sampling, missing modalities, and sparse labels. These issues cause temporal misalignment, modality imbalance, and limited supervision. Most existing multimodal methods assume relatively complete data, and even methods designed for incompleteness usually address only one or two of these issues in isolation. As a result, they often rely on rigid temporal/modal alignment or discard incomplete data, which may distort raw clinical semantics. To address this problem, we propose HealthPoint (HP), a unified clinical point cloud paradigm for multi-level incomplete EHRs. HP represents heterogeneous clinical events as points in a continuous 4D space defined by content, time, modality, and case. To model interactions between arbitrary point pairs, we introduce a Low-Rank Relational Attention mechanism that efficiently captures high-order dependencies across these four dimensions. We further develop a hierarchical interaction and sampling strategy to balance fine-grained modeling and computational efficiency. Built on this framework, HP enables flexible event-level interaction and fine-grained self-supervision, supporting robust modality recovery and effective use of unlabeled data. Experiments on large-scale EHR datasets for risk prediction show that HP consistently achieves state-of-the-art performance and strong robustness under varying degrees of incompleteness.
• Abstract（参考訳）: 深層学習に基づくマルチモーダル電子健康記録(EHR)のモデリングは,臨床診断とリスク予測において重要なアプローチとなっている。 しかし、様々な臨床ワークフローやプライバシーの制約により、生のEHRは本質的に多段階不完全であり、不規則なサンプリング、モダリティの欠如、スパースラベルが含まれる。 これらの問題は、時間的ミスアライメント、モダリティの不均衡、限られた監督を引き起こす。 既存の多くのマルチモーダル手法は比較的完全なデータを前提としており、不完全性のために設計された手法でさえ、通常はこれらの問題の1つまたは2つに単独で対処する。 結果として、それらはしばしば、厳密な時間的/モーダルなアライメントや、不完全なデータを捨てることに頼り、生の臨床的意味論を歪ませる可能性がある。 この問題を解決するために,マルチレベル不完全EHRのための統合臨床ポイントクラウドパラダイムであるHealthPoint (HP)を提案する。 HPは、コンテンツ、時間、モダリティ、ケースによって定義される連続した4D空間のポイントとして、異種の臨床イベントを表現している。 任意の点対間の相互作用をモデル化するために、これらの4次元にわたる高次依存関係を効率的に捕捉する低ランク関係注意機構を導入する。 さらに、詳細なモデリングと計算効率のバランスをとるために、階層的な相互作用とサンプリング戦略を開発する。 このフレームワーク上に構築されたHPは、フレキシブルなイベントレベルインタラクションときめ細かい自己スーパービジョンを可能にし、ロバストなモダリティ回復とラベルなしデータの有効利用をサポートする。 リスク予測のための大規模EHRデータセットの実験は、HPが不完全性の異なる条件下で、常に最先端の性能と強靭性を達成していることを示している。

関連論文リスト

• DISCO-TAB: A Hierarchical Reinforcement Learning Framework for Privacy-Preserving Synthesis of Complex Clinical Data [2.3915781021862332]
  DISCO-TABは、Reinforcement Learningによって最適化された多目的識別器システムを用いて、微調整LDMをオーケストレーションする新しいフレームワークである。 私たちは、高次元の小さな医療データセットを含むさまざまなベンチマークで、私たちのフレームワークを厳格に検証しています。 以上の結果から, 階層的フィードバックは最先端の成果をもたらすことが示され, 下流の臨床的有用性は最大38.2%向上した。
  論文  参考訳（メタデータ） (2026-04-01T23:37:58Z)
• A Contrastive Variational AutoEncoder for NSCLC Survival Prediction with Missing Modalities [41.8469011437549]
  非小細胞肺癌 (NSCLC) 患者の生存予測は, 個々の予後が異なるため困難である。 最先端モデルは、患者レベルの表現を作成するために利用可能なデータや、欠落したモダリティを推測するために生成モデルを使用する。 本稿では,MCVAE(Multimodal Contrastive Variational AutoEncoder)を提案する。
  論文  参考訳（メタデータ） (2026-02-19T14:29:34Z)
• DANIEL: A Distributed and Scalable Approach for Global Representation Learning with EHR Applications [8.530466871734564]
  確率的クラスタリングモデルは、現代のデータ環境において根本的な課題に直面します。 分散フレームワークを開発し、バイナリデータからスケーラブルでプライバシ表現を学習する。 本アルゴリズムは,多施設電子健康記録(EHR)データセットを用いて評価する。
  論文  参考訳（メタデータ） (2025-11-04T17:35:12Z)
• 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)
• TCDiff: Triplex Cascaded Diffusion for High-fidelity Multimodal EHRs Generation with Incomplete Clinical Data [7.661128607911307]
  実世界のEHRデータの特徴を学習するために,3つの拡散ネットワークをカスケードする新しいEHR生成フレームワークTCDiffを提案する。 TCDiffは、さまざまな欠落率でデータ忠実度の平均10%で、最先端のベースラインを一貫して上回っている。 これは、現実のヘルスケアシナリオにおける我々のアプローチの有効性、堅牢性、一般化性を強調します。
  論文  参考訳（メタデータ） (2025-08-03T06:24:20Z)
• 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)
• Continually Evolved Multimodal Foundation Models for Cancer Prognosis [50.43145292874533]
  がん予後は、患者の予後と生存率を予測する重要なタスクである。 これまでの研究では、臨床ノート、医療画像、ゲノムデータなどの多様なデータモダリティを統合し、補完的な情報を活用している。 既存のアプローチには2つの大きな制限がある。まず、各病院の患者記録など、各種のトレーニングに新しく到着したデータを組み込むことに苦慮する。 第二に、ほとんどのマルチモーダル統合手法は単純化された結合やタスク固有のパイプラインに依存しており、モダリティ間の複雑な相互依存を捉えることができない。
  論文  参考訳（メタデータ） (2025-01-30T06:49:57Z)
• DrFuse: Learning Disentangled Representation for Clinical Multi-Modal Fusion with Missing Modality and Modal Inconsistency [18.291267748113142]
  そこで本研究では,DrFuseを効果的に多モード核融合を実現するために提案する。 モダリティに共通する特徴と各モダリティに特有の特徴を分離することで、モダリティの欠如に対処する。 実世界の大規模データセットMIMIC-IVとMIMIC-CXRを用いて提案手法を検証する。
  論文  参考訳（メタデータ） (2024-03-10T12:41:34Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)

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。