論文の概要: Clinically Interpretable Sepsis Early Warning via LLM-Guided Simulation of Temporal Physiological Dynamics

• arxiv url: http://arxiv.org/abs/2604.20924v1
• Date: Wed, 22 Apr 2026 06:30:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-24 14:40:06.096889
• Title: Clinically Interpretable Sepsis Early Warning via LLM-Guided Simulation of Temporal Physiological Dynamics
• Title（参考訳）: LLM-Guided Simulation of Temporalphysiological Dynamics による早期診断法の検討
• Authors: Weizhi Nie, Zhen Qu, Weijie Wang, Chunpei Li, Ke Lu, Bingyang Zhou, Hongzhi Yu,
• Abstract要約: 一時的かつ解釈可能な敗血症の早期警告は臨床上の課題である。 従来のデータ駆動モデルは正確だが不透明な予測を提供する。 本稿では,Large Language Model (LLM) 誘導時間シミュレーションフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 24.96692273948327
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Timely and interpretable early warning of sepsis remains a major clinical challenge due to the complex temporal dynamics of physiological deterioration. Traditional data-driven models often provide accurate yet opaque predictions, limiting physicians' confidence and clinical applicability. To address this limitation, we propose a Large Language Model (LLM)-guided temporal simulation framework that explicitly models physiological trajectories prior to disease onset for clinically interpretable prediction. The framework consists of a spatiotemporal feature extraction module that captures dynamic dependencies among multivariate vital signs, a Medical Prompt-as-Prefix module that embeds clinical reasoning cues into LLMs, and an agent-based post-processing component that constrains predictions within physiologically plausible ranges. By first simulating the evolution of key physiological indicators and then classifying sepsis onset, our model offers transparent prediction mechanisms that align with clinical judgment. Evaluated on the MIMIC-IV and eICU databases, the proposed method achieves superior AUC scores (0.861-0.903) across 24-4-hour pre-onset prediction tasks, outperforming conventional deep learning and rule-based approaches. More importantly, it provides interpretable trajectories and risk trends that can assist clinicians in early intervention and personalized decision-making in intensive care environments.
• Abstract（参考訳）: 敗血症の早期警告は、生理的劣化の複雑な時間的ダイナミクスのため、依然として大きな臨床的課題である。 従来のデータ駆動モデルはしばしば正確だが不透明な予測を提供し、医師の信頼性と臨床応用性を制限する。 この制限に対処するため,臨床解釈可能な予測のために,病気発症前の生理的軌道を明示的にモデル化するLarge Language Model (LLM)誘導時間シミュレーションフレームワークを提案する。 多変量バイタルサイン間の動的依存関係を捕捉する時空間的特徴抽出モジュールと、臨床推論キューをLLMに埋め込む医療プロンプト・アズ・プレフィックスモジュールと、生理学的に妥当な範囲内で予測を制限するエージェントベースの後処理コンポーネントとから構成される。 まず、重要な生理的指標の進化をシミュレートし、セプシスの発症を分類することにより、臨床判定と一致した透明な予測メカニズムを提供する。 提案手法は,MIMIC-IVおよびeICUデータベースに基づいて,24～4時間前の予測タスクにおけるAUCスコア(0.861-0.903)の精度を向上し,従来の深層学習およびルールベース手法より優れている。 さらに重要なのは、早期の介入や集中治療環境における個別の意思決定を支援する、解釈可能な軌道とリスクトレンドを提供することだ。

関連論文リスト

• Clinical Cognition Alignment for Gastrointestinal Diagnosis with Multimodal LLMs [63.535652574541764]
  MLLM(Multimodal Large Language Models)は医用画像解析において顕著な可能性を示した。 消化器内視鏡におけるそれらの応用は、現在、2つの重要な限界によって妨げられている。 本稿では,これらの課題に対処する新しい臨床認知アライメント(CogAlign)フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-21T07:47:37Z)
• TA-RNN-Medical-Hybrid: A Time-Aware and Interpretable Framework for Mortality Risk Prediction [0.9558392439655014]
  提案フレームワークは,予測精度と臨床解釈可能性のギャップを埋めるものである。 これは、確立した医療知識に沿った臨床的に有意義な説明を提供する。 提案するフレームワークは,大規模ICU意思決定支援システムに対して,スケーラブルで透過的なソリューションを提供する。
  論文  参考訳（メタデータ） (2026-03-09T11:49:42Z)
• Benchmarking Early Deterioration Prediction Across Hospital-Rich and MCI-Like Emergency Triage Under Constrained Sensing [0.0]
  早期劣化予測のためのリーク対応ベンチマークフレームワークを提案する。 病院に豊富なトリアージとバイタルオンリーのMCIライクな設定を比較し,プレゼンテーション開始後1時間以内に利用可能な情報への入力を制限する。
  論文  参考訳（メタデータ） (2026-02-09T09:32:49Z)
• CLARITY: Medical World Model for Guiding Treatment Decisions by Modeling Context-Aware Disease Trajectories in Latent Space [49.74032713886216]
  CLARITYは、構造化潜在空間内で直接疾患の進化を予測する医療世界モデルである。 時間間隔(時間的文脈)と患者固有のデータ(臨床的文脈)を明確に統合し、スムーズで解釈可能な軌跡として治療条件の進行をモデル化する。
  論文  参考訳（メタデータ） (2025-12-08T20:42:10Z)
• Beyond the ATE: Interpretable Modelling of Treatment Effects over Dose and Time [46.2482873419289]
  本研究では, 治療効果トラジェクトリを線量および時間とともに滑らかな表面としてモデル化する枠組みを提案する。 本研究は, 臨床的に有意な特性の特定から, 軌道形状の推定を分離する。 本手法は, 処理力学の精度, 解釈可能, 編集可能なモデルを生成する。
  論文  参考訳（メタデータ） (2025-07-09T20:33:33Z)
• Diffusion with a Linguistic Compass: Steering the Generation of Clinically Plausible Future sMRI Representations for Early MCI Conversion Prediction [13.937881108738042]
  そこで本研究では,臨床応用可能な将来のsMRI表現を直接ベースラインデータから合成する拡散型フレームワークを提案する。 ADNIとAIBLのコホートの実験では、MCI-Diffは最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-06-05T07:01:05Z)
• Temporal Entailment Pretraining for Clinical Language Models over EHR Data [9.584923572354045]
  臨床領域における言語モデルのための新しい時間的包含事前学習目標を提案する。 本手法は, EHRセグメントを時間的に順序付けられた文対として定式化し, 後の状態が先行状態に関係しているか, 矛盾しているか, 中立であるかを決定するようモデルを訓練する。
  論文  参考訳（メタデータ） (2025-04-25T07:30:38Z)
• Reasoning-Enhanced Healthcare Predictions with Knowledge Graph Community Retrieval [61.70489848327436]
  KAREは、知識グラフ(KG)コミュニティレベルの検索と大規模言語モデル(LLM)推論を統合する新しいフレームワークである。 MIMIC-IIIでは最大10.8～15.0%、MIMIC-IVでは12.6～12.7%である。
  論文  参考訳（メタデータ） (2024-10-06T18:46:28Z)
• 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)
• Integrating Physiological Time Series and Clinical Notes with Deep Learning for Improved ICU Mortality Prediction [21.919977518774015]
  本研究では,生理学的時系列データと臨床記録を統合的死亡予測モデルに統合する方法について検討する。 以上の結果より, 個別のモーダルを単独で使用した場合よりも, 予測精度が統計的に有意に向上することが示唆された。
  論文  参考訳（メタデータ） (2020-03-24T18:25:49Z)

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。