論文の概要: Learning Dynamic Representations and Policies from Multimodal Clinical Time-Series with Informative Missingness

• arxiv url: http://arxiv.org/abs/2604.21235v1
• Date: Thu, 23 Apr 2026 03:07:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-24 14:40:06.272144
• Title: Learning Dynamic Representations and Policies from Multimodal Clinical Time-Series with Informative Missingness
• Title（参考訳）: 視覚障害を伴う多要素的臨床時系列からの動的表現とポリシーの学習
• Authors: Zihan Liang, Ziwen Pan, Ruoxuan Xiong,
• Abstract要約: マルチモーダルな臨床記録のための患者表現学習フレームワークを提案する。 このフレームワークは、構造化データとテキストデータから信号をキャプチャするマルチモーダルエンコーダと、その観測パターンを組み合わせる。 我々はMIMIC-III,MIMIC-IV,eICUのICUセプシスコホートについて検討した。
• 参考スコア（独自算出の注目度）: 5.351519104745287
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multimodal clinical records contain structured measurements and clinical notes recorded over time, offering rich temporal information about the evolution of patient health. Yet these observations are sparse, and whether they are recorded depends on the patient's latent condition. Observation patterns also differ across modalities, as structured measurements and clinical notes arise under distinct recording processes. While prior work has developed methods that accommodate missingness in clinical time series, how to extract and use the information carried by the observation process itself remains underexplored. We therefore propose a patient representation learning framework for multimodal clinical time series that explicitly leverages informative missingness. The framework combines (1) a multimodal encoder that captures signals from structured and textual data together with their observation patterns, (2) a Bayesian filtering module that updates a latent patient state over time from observed multimodal signals, and (3) downstream modules for offline treatment policy learning and patient outcome prediction based on the learned patient state. We evaluate the framework on ICU sepsis cohorts from MIMIC-III, MIMIC-IV, and eICU. It improves both offline treatment policy learning and adverse outcome prediction, achieving FQE 0.679 versus 0.528 for clinician behavior and AUROC 0.886 for post-72-hour mortality prediction on MIMIC-III.
• Abstract（参考訳）: マルチモーダルな臨床記録には、構造化された測定値と臨床記録が含まれており、患者の健康の進化に関する豊富な時間的情報を提供している。 しかし、これらの観察は不十分であり、記録されているか否かは患者の潜伏状態に依存する。 観察パターンは、異なる記録過程において、構造化された測定値と臨床記録値が生じるため、様々に異なる。 先行研究では臨床時系列の欠落に対応する手法が開発されているが、観察プロセス自体が持つ情報を抽出し、利用する方法は未解明のままである。 そこで我々は,情報不足を顕著に生かしたマルチモーダル臨床時系列の患者表現学習フレームワークを提案する。 本フレームワークは,(1)構造化データとテキストデータからの信号を観察パターンとともにキャプチャするマルチモーダルエンコーダ,(2)観察されたマルチモーダル信号から遅延した患者状態を更新するベイズフィルタモジュール,(3)オフライン治療方針学習のための下流モジュール,および学習された患者状態に基づいて患者結果を予測する。 我々はMIMIC-III,MIMIC-IV,eICUのICUセプシスコホートについて検討した。 MIMIC-IIIの72時間後死亡予測では、FQE 0.679 と0.528 と、AUROC 0.886 を達成している。

関連論文リスト

• Causal Representation Learning from Multimodal Clinical Records under Non-Random Modality Missingness [5.351519104745287]
  臨床ノートには、診断や薬物などの豊富な患者情報が含まれており、患者表現学習に有用である。 大規模言語モデルの最近の進歩は、臨床的テキストから意味のある表現を抽出する能力をさらに改善した。 マルチモーダル臨床記録における観察データと情報欠如を利用した因果表現学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-21T20:34:52Z)
• MedPatch: Confidence-Guided Multi-Stage Fusion for Multimodal Clinical Data [0.46040036610482665]
  現実世界の医療データは本質的に異質であり、サイズは限られており、モダリティが欠如しているためスパースである。 臨床予測タスクにインスパイアされたMedPatchを導入し,複数のモダリティをシームレスに統合する。 我々は,MIMIC-IV,MIMIC-CXR,MIMIC-Notesデータセットから抽出した臨床時系列データ,胸部X線画像,放射線検査,および放電記録からなる実世界のデータを用いてMedPatchを評価する。
  論文  参考訳（メタデータ） (2025-08-07T12:46:26Z)
• CTPD: Cross-Modal Temporal Pattern Discovery for Enhanced Multimodal Electronic Health Records Analysis [50.56875995511431]
  マルチモーダルEHRデータから有意な時間的パターンを効率的に抽出するために,CTPD(Cross-Modal Temporal Pattern Discovery)フレームワークを導入する。 提案手法では,時間的セマンティックな埋め込みを生成するためにスロットアテンションを用いて改良された時間的パターン表現を提案する。
  論文  参考訳（メタデータ） (2024-11-01T15:54:07Z)
• An Empirical Study of Representation Learning for Reinforcement Learning in Healthcare [19.50370829781689]
  我々はMIMIC-IIIデータセットにおける敗血症患者のデータを用いて患者の状態を表現した。 逐次的に形成された状態表現は、バッチ設定において効果的なポリシー学習を促進する。
  論文  参考訳（メタデータ） (2020-11-23T06:37:08Z)
• 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)
• Trajectories, bifurcations and pseudotime in large clinical datasets: applications to myocardial infarction and diabetes data [94.37521840642141]
  混合データ型と欠落値を特徴とする大規模臨床データセット分析のための半教師付き方法論を提案する。 この手法は、次元の減少、データの可視化、クラスタリング、特徴の選択と、部分的に順序付けられた観測列における測地距離(擬時)の定量化のタスクを同時に扱うことのできる弾性主グラフの適用に基づいている。
  論文  参考訳（メタデータ） (2020-07-07T21:04:55Z)
• 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)

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。