Fugu-MT 論文翻訳(概要): HypEHR: Hyperbolic Modeling of Electronic Health Records for Efficient Question Answering

論文の概要: HypEHR: Hyperbolic Modeling of Electronic Health Records for Efficient Question Answering

arxiv url: http://arxiv.org/abs/2604.21027v1
Date: Wed, 22 Apr 2026 19:18:36 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-24 14:40:06.147151
Title: HypEHR: Hyperbolic Modeling of Electronic Health Records for Efficient Question Answering
Title（参考訳）: HypEHR:効率的な質問応答のための電子健康記録の高ボリックモデリング
Authors: Yuyu Liu, Sarang Rajendra Patil, Mengjia Xu, Tengfei Ma,
Abstract要約: 本稿では,ハイパーボリック空間にコードや患者訪問,質問を埋め込んだコンパクトなローレンツモデルHypEHRを提案する。 HypEHRは、ICDyuに表現を合わせるために、次世代の診断予測と階層対応の正規化で事前訓練されている。
参考スコア（独自算出の注目度）: 6.720012088509191
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Electronic health record (EHR) question answering is often handled by LLM-based pipelines that are costly to deploy and do not explicitly leverage the hierarchical structure of clinical data. Motivated by evidence that medical ontologies and patient trajectories exhibit hyperbolic geometry, we propose HypEHR, a compact Lorentzian model that embeds codes, visits, and questions in hyperbolic space and answers queries via geometry-consistent cross-attention with type-specific pointer heads. HypEHR is pretrained with next-visit diagnosis prediction and hierarchy-aware regularization to align representations with the ICD ontology. On two MIMIC-IV-based EHR-QA benchmarks, HypEHR approaches LLM-based methods while using far fewer parameters. Our code is publicly available at https://github.com/yuyuliu11037/HypEHR.
Abstract（参考訳）: 電子健康記録(EHR)質問応答は、LLMベースのパイプラインによって処理されることが多い。医療オントロジーと患者軌道が双曲的幾何を示すことを示す証拠から,双曲的空間にコードや訪問,質問を埋め込んだコンパクトなローレンツモデルHypEHRを提案する。 HypEHRは、ICDオントロジーと表現を一致させるために、次世代の診断予測と階層対応の正規化で事前訓練されている。 MIMIC-IV ベースの EHR-QA ベンチマークでは、HypEHR は LLM ベースの手法にアプローチし、パラメータははるかに少ない。私たちのコードはhttps://github.com/yuyuliu11037/HypEHR.comで公開されています。

関連論文リスト

RePrompT: Recurrent Prompt Tuning for Integrating Structured EHR Encoders with Large Language Models [12.004161606345084]
本稿では,構造化EHRエンコーダを即時チューニングにより統合する時間認識フレームワークRePrompTを紹介する。 MIMIC-IIIとMIMIC-IVの実験では、RePrompTはEHRベースのベースラインとLLMベースのベースラインの両方を一貫して上回っている。
論文参考訳（メタデータ） (2026-04-20T02:20:13Z)
Shattering the Shortcut: A Topology-Regularized Benchmark for Multi-hop Medical Reasoning in LLMs [4.647901209920043]
我々は,深部診断推論を厳格に評価するために設計された10,558のマルチホップ臨床質問のベンチマークであるShatterMed-QAを紹介した。我々のフレームワークは、新しい$k$-Shatteringアルゴリズムを用いて、トポロジ規則化された医療知識グラフを構築する。 21個のLLMの総合的な評価は、我々のマルチホップタスクにおいて大きな性能劣化を示す。
論文参考訳（メタデータ） (2026-03-12T21:19:54Z)
MedVerse: Efficient and Reliable Medical Reasoning via DAG-Structured Parallel Execution [63.128360383691295]
複雑な医学推論のための推論フレームワークであるMedVerseを提案する。データ作成には、知識に基づく医学推論経路を合成するMedVerse Curatorを導入する。我々は、追加のオーバーヘッドを伴わずに並列実行をサポートするカスタマイズされた推論エンジンを開発した。
論文参考訳（メタデータ） (2026-02-07T12:54:01Z)
HyperWalker: Dynamic Hypergraph-Based Deep Diagnosis for Multi-Hop Clinical Modeling across EHR and X-Ray in Medical VLMs [11.582033617887573]
動的ハイパーグラフとテストタイムトレーニングによって臨床推論を再構築するフレームワークである textbfHyperWalker を提案する。 MIMICとEHRXQAの医療用VQAを用いたMRG実験は、HyperWalkerが最先端のパフォーマンスを達成することを示す。
論文参考訳（メタデータ） (2026-01-20T12:48:09Z)
Time-Aware Attention for Enhanced Electronic Health Records Modeling [8.4225455796455]
TALE-EHR は Transformer ベースのフレームワークで,連続的な時間的ギャップを明示的にモデル化する,新たなタイムアウェアアテンション機構を備えている。本手法は, 疾患進展予測などのタスクにおいて, 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） (2025-07-20T07:32:41Z)
HealthGAT: Node Classifications in Electronic Health Records using Graph Attention Networks [2.2026317523029193]
HealthGATは、EHRから埋め込みを生成するグラフアテンションネットワークフレームワークである。本モデルでは,医療コードへの埋め込みを反復的に洗練し,EHRデータ解析の改善を実現している。本モデルでは,ノード分類や,可読度予測や診断分類などの下流タスクにおいて,優れた性能を示す。
論文参考訳（メタデータ） (2024-03-26T22:17:01Z)
TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic Tree-Based Memory Network [54.332862955411656]
臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
論文参考訳（メタデータ） (2023-07-19T12:35:09Z)
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)
Learning Contextualized Document Representations for Healthcare Answer Retrieval [68.02029435111193]
コンテキスト談話ベクトル(英: Contextual Discourse Vectors、CDV)は、長文からの効率的な回答検索のための分散文書表現である。本モデルでは,階層型LSTMレイヤとマルチタスクトレーニングを併用したデュアルエンコーダアーキテクチャを用いて,臨床エンティティの位置と文書の談話に沿った側面をエンコードする。我々の一般化モデルは、医療パスランキングにおいて、最先端のベースラインを著しく上回っていることを示す。
論文参考訳（メタデータ） (2020-02-03T15:47:19Z)
DeepEnroll: Patient-Trial Matching with Deep Embedding and Entailment Prediction [67.91606509226132]
臨床試験は医薬品開発に不可欠であるが、高価で不正確で不十分な患者募集に苦しむことが多い。 DeepEnrollは、入力基準(タブラリデータ)を一致する推論のための共有潜在空間に共同でエンコードする、クロスモーダル推論学習モデルである。
論文参考訳（メタデータ） (2020-01-22T17:51:25Z)

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。