Fugu-MT 論文翻訳(概要): Modeling Patient Care Trajectories with Transformer Hawkes Processes

論文の概要: Modeling Patient Care Trajectories with Transformer Hawkes Processes

arxiv url: http://arxiv.org/abs/2604.05844v1
Date: Tue, 07 Apr 2026 13:10:49 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-08 17:42:09.841776
Title: Modeling Patient Care Trajectories with Transformer Hawkes Processes
Title（参考訳）: 変圧器ホークスプロセスを用いた患者のケア軌跡のモデル化
Authors: Saumya Pandey, Varun Chandola,
Abstract要約: 患者軌跡を連続的にモデル化するTransformer Hawkes Processフレームワークを構築した。逆平方根クラス重み付けを用いた不均衡学習手法を提案する。
参考スコア（独自算出の注目度）: 8.0206789155224
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Patient healthcare utilization consists of irregularly time-stamped events, such as outpatient visits, inpatient admissions, and emergency encounters, forming individualized care trajectories. Modeling these trajectories is crucial for understanding utilization patterns and predicting future care needs, but is challenging due to temporal irregularity and severe class imbalance. In this work, we build on the Transformer Hawkes Process framework to model patient trajectories in continuous time. By combining Transformer-based history encoding with Hawkes process dynamics, the model captures event dependencies and jointly predicts event type and time-to-event. To address extreme imbalance, we introduce an imbalance-aware training strategy using inverse square-root class weighting. This improves sensitivity to rare but clinically important events without altering the data distribution. Experiments on real-world data demonstrate improved performance and provide clinically meaningful insights for identifying high-risk patient populations.
Abstract（参考訳）: 患者の医療利用は、外来訪問、入院、緊急通院などの不規則な時間スタンプのイベントで構成され、個別のケアトラジェクトリーを形成している。これらの軌道のモデル化は、利用パターンの理解と将来のケアニーズの予測に不可欠であるが、時間的不規則性と厳しい階級不均衡のために困難である。本研究では,患者軌道を連続的にモデル化するTransformer Hawkes Processフレームワークを構築した。 TransformerベースのヒストリエンコーディングとHawkesプロセスのダイナミックスを組み合わせることで、モデルはイベント依存関係をキャプチャし、イベントタイプと時間とイベントを共同で予測する。極端不均衡に対処するために,逆平方根クラス重み付けを用いた不均衡対応トレーニング戦略を導入する。これにより、データ分布を変化させることなく、稀だが臨床的に重要な事象に対する感受性が向上する。実世界のデータに関する実験は、パフォーマンスの向上を示し、リスクの高い患者を識別するための臨床的に意味のある洞察を提供する。

関連論文リスト

Time-to-Event Transformer to Capture Timing Attention of Events in EHR Time Series [15.049813932448112]
LITTは、仮想相対タイムライン上のシーケンシャルイベントの一時的なアライメントを可能にする、新しいTiming-Transformerアーキテクチャである。乳がん患者3,276人の実世界の経時的EHRデータから,その解釈可能性と効果を検証した。
論文参考訳（メタデータ） (2026-02-11T00:13:08Z)
SeqRisk: Transformer-augmented latent variable model for improved survival prediction with longitudinal data [4.1476925904032464]
本研究では,変分オートエンコーダ (VAE) と長手VAE (LVAE) をトランスフォーマーエンコーダとコックス比例ハザードモジュールに結合してリスク予測を行う手法であるSeqRiskを提案する。 SeqRiskは、シミュレーションと実世界の両方のデータセットにおける既存のアプローチと比較して、競合的に機能することを示した。
論文参考訳（メタデータ） (2024-09-19T12:35:25Z)
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)
Enhancing Uncertain Demand Prediction in Hospitals Using Simple and Advanced Machine Learning [3.9054437595657534]
イスラエルのランバム医療センターの患者ケア需要データを用いて, 両モデルが時間差の患者需要を効果的に捉えていることを示す。機械学習を用いて3日または1週間前に、患者のケア需要を精度よく予測できる(約4人)。
論文参考訳（メタデータ） (2024-04-29T13:05:59Z)
SurvTimeSurvival: Survival Analysis On The Patient With Multiple Visits/Records [26.66492761632773]
近年の人工知能の進歩にもかかわらず、重症疾患患者の生存時間の正確な予測は重要な課題である。本研究は「SurvTimeSurvival: Survival Analysis on patients with Multiple visits/Records」を紹介する。
論文参考訳（メタデータ） (2023-11-16T12:30:14Z)
SANSformers: Self-Supervised Forecasting in Electronic Health Records with Attention-Free Models [48.07469930813923]
本研究は,医療施設への患者訪問数を予測することにより,医療サービスの需要を予測することを目的とする。 SNSformerは、特定の帰納バイアスを設計し、EHRデータの特異な特徴を考慮に入れた、注意のない逐次モデルである。本研究は, 各種患者集団を対象とした医療利用予測の修正における, 注意力のないモデルと自己指導型事前訓練の有望な可能性について考察した。
論文参考訳（メタデータ） (2021-08-31T08:23:56Z)
Temporal Phenotyping using Deep Predictive Clustering of Disease Progression [97.88605060346455]
我々は、時系列データをクラスタリングするためのディープラーニングアプローチを開発し、各クラスタは、同様の将来的な結果を共有する患者から構成される。 2つの実世界のデータセットに対する実験により、我々のモデルは最先端のベンチマークよりも優れたクラスタリング性能が得られることが示された。
論文参考訳（メタデータ） (2020-06-15T20:48:43Z)
Adaptive Prediction Timing for Electronic Health Records [3.308743964406688]
適応率で患者結果を予測する新しい,より現実的なアプローチを導入する。リカレントニューラルネットワーク(RNN)とベイズ埋め込み層に新しいアグリゲーション法を適用し,適応予測のタイミングを示す。入院48時間後,本モデルではスタティックウインドウと同等の性能を示した。
論文参考訳（メタデータ） (2020-03-05T12:02:44Z)
Transformer Hawkes Process [79.16290557505211]
本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。 THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
論文参考訳（メタデータ） (2020-02-21T13:48:13Z)
Estimating Counterfactual Treatment Outcomes over Time Through Adversarially Balanced Representations [114.16762407465427]
時間とともに治療効果を推定するためにCRN(Counterfactual Recurrent Network)を導入する。 CRNは、患者履歴のバランスの取れた表現を構築するために、ドメイン敵のトレーニングを使用する。本モデルでは, 正解率の予測と適切な治療時期の選択において, 誤差の低減を図っている。
論文参考訳（メタデータ） (2020-02-10T20:47:36Z)
Learning Dynamic and Personalized Comorbidity Networks from Event Data using Deep Diffusion Processes [102.02672176520382]
コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
論文参考訳（メタデータ） (2020-01-08T15:47:08Z)

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。