論文の概要: A multimodal and temporal foundation model for virtual patient representations at healthcare system scale

• arxiv url: http://arxiv.org/abs/2604.18570v2
• Date: Tue, 21 Apr 2026 21:55:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-23 15:36:10.440969
• Title: A multimodal and temporal foundation model for virtual patient representations at healthcare system scale
• Title（参考訳）: 医療システムスケールにおける仮想患者表現のためのマルチモーダル・時間的基礎モデル
• Abstract要約: 我々は,30年以上にわたる長期入院記録をトレーニングし,評価したマルチモーダル時間基盤モデルであるApolloを紹介した。 Apollo は,臨床用語に 1 万以上のユニークな医療イベントを統合する統一表現空間を学習している。 モデル予測は, 臨床的に解釈可能なマルチモーダルバイオマーカーと一致している。
• 参考スコア（独自算出の注目度）: 36.24986458898116
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Modern medicine generates vast multimodal data across siloed systems, yet no existing model integrates the full breadth and temporal depth of the clinical record into a unified patient representation. We introduce Apollo, a multimodal temporal foundation model trained and evaluated on over three decades of longitudinal hospital records from a major US hospital system, composed of 25 billion records from 7.2 million patients, representing 28 distinct medical modalities and 12 major medical specialties. Apollo learns a unified representation space integrating over 100 thousand unique medical events in our clinical vocabulary as well as images and clinical text. This "atlas of medical concepts" forms a computational substrate for modeling entire patient care journeys comprised of sequences of structured and unstructured events, which are compressed by Apollo into virtual patient representations. To assess the potential of these whole-patient representations, we created 322 prognosis and retrieval tasks from a held-out test set of 1.4 million patients. We demonstrate the generalized clinical forecasting potential of Apollo embeddings, including predicting new disease onset risk up to five years in advance (95 tasks), disease progression (78 tasks), treatment response (59 tasks), risk of treatment-related adverse events (17 tasks), and hospital operations endpoints (12 tasks). Using feature attribution techniques, we show that model predictions align with clinically-interpretable multimodal biomarkers. We evaluate semantic similarity search on 61 retrieval tasks, and moreover demonstrate the potential of Apollo as a multimodal medical search engine using text and image queries. Together, these modeling capabilities establish the foundation for computable medicine, where the full context of patient care becomes accessible to computational reasoning.
• Abstract（参考訳）: 現代医学はサイロ化されたシステムにまたがって膨大なマルチモーダルデータを生成するが、臨床記録の完全な幅と時間深度を統一された患者表現に統合する既存のモデルは存在しない。 我々は,米国の主要病院システムから30年以上にわたる長期入院記録をトレーニングし,評価したマルチモーダル・テンポラル・ファンデーション・モデルであるApolloを紹介した。 Apolloは、画像や臨床テキストだけでなく、臨床用語に1万以上のユニークな医療イベントを統合する、統一された表現空間を学びます。 この「医療概念のアトラス」は、Apolloによって圧縮され仮想的な患者表現に変換される構造化されたイベントと非構造化イベントのシーケンスからなる、患者のケアジャーニー全体をモデル化するための計算基板を形成する。 患者全体の表現の可能性を評価するため,140万人の患者を対象に,322の予後と検索タスクを作成した。 今後5年間(95タスク), 疾患進行(78タスク), 治療応答(59タスク), 治療関連有害事象のリスク(17タスク), 病院手術エンドポイント(12タスク), など,アポロ埋め込みの一般的な臨床予測可能性を示す。 特徴帰属技術を用いて, モデル予測が臨床的に解釈可能なマルチモーダルバイオマーカーと一致することを示す。 61の検索タスクにおける意味的類似性検索の評価を行い,テキストクエリと画像クエリを用いたマルチモーダルな医用検索エンジンとしてApolloの可能性を実証した。 これらのモデリング能力は、計算可能な医療の基盤を確立し、患者ケアの完全なコンテキストが計算的推論にアクセスできるようになる。

関連論文リスト

• NOAH: Learning the Full Patient Journey. A Longitudinal Multimodal Time-Aware Model for Representation and Forecasting [15.183085955033148]
  患者の全旅行を表現・予測する,時間的,タスクに依存しない,生成的トランスフォーマーモデルであるNOAHを紹介する。 NOAHは、医療画像、時系列および数値信号、分類的事象、および構造化され、構造化されていない臨床記録を処理する。 臨床結果の探索において高いパフォーマンスを示す、高情報かつ予測可能な患者の状態表現を生成する。
  論文  参考訳（メタデータ） (2026-09-08T17:56:13Z)
• Medical world models in healthcare: foundations, applications, and challenges for trustworthy clinical translation [9.298791886645303]
  医療の世界モデルは、静的予測を超えて医療人工知能を拡張するためのフレームワークを提供する。 このレビューでは、概念的境界、技術基盤、アプリケーションドメイン、およびフィールドのエビデンス要件を定義します。
  論文  参考訳（メタデータ） (2026-07-28T03:35:47Z)
• Evaluating Large Language Models in Dynamic Clinical Decision-Making with Standardized Patient Cases [71.12461204050985]
  MedSP1000 (MedSP1000) は、SP由来の臨床エージェント評価のための対話型ベンチマークである。 ピアレビューされたSPの授業ケースを、定義されたSPケーススクリプト、臨床環境コンテキスト、人為的な構造化ルーブリックで実行可能なシナリオに変換する。 MedSP1000を多種多様な汎用および医療用LLMに適用すると、静的ベンチマークの性能がそのような教育シナリオに確実に変換されないことが分かる。
  論文  参考訳（メタデータ） (2026-06-03T17:17:16Z)
• 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)
• Cerebra: A Multidisciplinary AI Board for Multimodal Dementia Characterization and Risk Assessment [56.62016795093786]
  CerebraはインタラクティブなマルチエージェントAIチームで、ERH、臨床ノート、医療画像分析のための特殊エージェントをコーディネートする。 構造化された表現を操作することで、プライバシ保護デプロイメントをサポートし、モダリティが不完全であれば、堅牢である。 Cerebraは、有識者のパフォーマンスを著しく改善し、前向き認知症リスク推定において精度を17.5ポイント向上させた。
  論文  参考訳（メタデータ） (2026-03-23T05:46:45Z)
• Generative Medical Event Models Improve with Scale [11.04430289614517]
  本稿では,医療イベントデータに関する最大のスケーリング法則について述べる。 最大10億のパラメータを持つ計算最適モデルを事前学習した。 診断予測や疾患予後,医療活動など,78の現実的課題について検討した。
  論文  参考訳（メタデータ） (2025-08-16T17:00:51Z)
• Foresight -- Deep Generative Modelling of Patient Timelines using Electronic Health Records [46.024501445093755]
  医学史の時間的モデリングは、将来の出来事を予測し、シミュレートしたり、リスクを見積り、代替診断を提案したり、合併症を予測するために使用することができる。 我々は、文書テキストを構造化されたコード化された概念に変換するためにNER+Lツール(MedCAT)を使用する新しいGPT3ベースのパイプラインであるForesightを提示する。
  論文  参考訳（メタデータ） (2022-12-13T19:06:00Z)
• Modelling Patient Trajectories Using Multimodal Information [0.0]
  本稿では,異なる種類の情報を組み合わせて臨床データの時間的側面を考慮した患者軌跡のモデル化手法を提案する。 本手法は, 予期せぬ患者寛解と疾患進行の2つの異なる臨床結果に基づいて検討した。
  論文  参考訳（メタデータ） (2022-09-09T10:20:54Z)
• Integrated multimodal artificial intelligence framework for healthcare applications [3.6222901399459215]
  我々は,マルチモーダル入力を利用するAIシステムの生成とテストを容易にするために,統合されたホリスティックAI in Medicineフレームワークを提案し,評価する。 このアプローチでは、一般化可能なデータ前処理と機械学習モデリングステージを使用し、医療環境における研究やデプロイメントに容易に適応できる。 このフレームワークは、さまざまなヘルスケアのデモンストレーションにおいて、同様のシングルソースアプローチを上回る、一貫して、堅牢にモデルを生成できることを示します。
  論文  参考訳（メタデータ） (2022-02-25T22:08:09Z)
• Advancing COVID-19 Diagnosis with Privacy-Preserving Collaboration in Artificial Intelligence [79.038671794961]
  我々はUCADI(Unified CT-COVID AI Diagnostic Initiative)を立ち上げ、各ホスト機関でAIモデルを分散的にトレーニングし、独立して実行することができる。 本研究は,中国とイギリスに所在する23の病院で採取した3,336例の胸部CT9,573例について検討した。
  論文  参考訳（メタデータ） (2021-11-18T00:43:41Z)
• BiteNet: Bidirectional Temporal Encoder Network to Predict Medical Outcomes [53.163089893876645]
  本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。 エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。 実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
  論文  参考訳（メタデータ） (2020-09-24T00:42:36Z)

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。