論文の概要: Inferring High-Level Events from Timestamped Data: Complexity and Medical Applications

• arxiv url: http://arxiv.org/abs/2604.21793v1
• Date: Thu, 23 Apr 2026 15:53:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-24 14:40:06.69965
• Title: Inferring High-Level Events from Timestamped Data: Complexity and Medical Applications
• Title（参考訳）: タイムスタンプデータから高レベルイベントを推定する:複雑さと医療応用
• Authors: Yvon K. Awuklu, Meghyn Bienvenu, Katsumi Inoue, Vianney Jouhet, Fleur Mougin,
• Abstract要約: 我々は、タイムスタンプ付きデータと背景知識から高レベルの時間拡張イベントを検出するための、論理に基づく新しいアプローチを開発した。 我々のフレームワークは、単純な時間的事象の存在と終了条件を捕捉し、これらをメタイベントに組み合わせるための論理的ルールを採用している。 例えば、医学領域では、タイムスタンプによる臨床観察から病気のエピソードや治療が推測される。
• 参考スコア（独自算出の注目度）: 5.453445658127631
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we develop a novel logic-based approach to detecting high-level temporally extended events from timestamped data and background knowledge. Our framework employs logical rules to capture existence and termination conditions for simple temporal events and to combine these into meta-events. In the medical domain, for example, disease episodes and therapies are inferred from timestamped clinical observations, such as diagnoses and drug administrations stored in patient records, and can be further combined into higher-level disease events. As some incorrect events might be inferred, we use constraints to identify incompatible combinations of events and propose a repair mechanism to select preferred consistent sets of events. While reasoning in the full framework is intractable, we identify relevant restrictions that ensure polynomial-time data complexity. Our prototype system implements core components of the approach using answer set programming. An evaluation on a lung cancer use case supports the interest of the approach, both in terms of computational feasibility and positive alignment of our results with medical expert opinions. While strongly motivated by the needs of the healthcare domain, our framework is purposely generic, enabling its reuse in other areas.
• Abstract（参考訳）: 本稿では,タイムスタンプデータと背景知識から高レベルの時間拡張イベントを検出するための,論理に基づく新しい手法を提案する。 我々のフレームワークは、単純な時間的事象の存在と終了条件を捕捉し、これらをメタイベントに組み合わせるための論理的ルールを採用している。 医学領域では、例えば、疾患のエピソードや治療は、患者の記録に記憶されている診断や薬物投与などのタイムスタンプによる臨床観察から推測され、さらに高レベルの疾患イベントと組み合わせることができる。 いくつかの誤ったイベントが推測される可能性があるため、イベントの互換性のない組み合わせを特定するために制約を使用し、選択した一貫したイベントの集合を選択するための修復機構を提案する。 完全なフレームワークでの推論は難易度が高いが、多項式時間データの複雑さを保証するための関連する制約を特定する。 本システムでは,提案手法のコアコンポーネントを解集合プログラミングを用いて実装する。 肺がん症例の評価は, 医療専門家の意見と結果の正の整合性, 計算可能性の両面から, アプローチの関心を裏付けるものである。 医療領域のニーズに強く動機付けられているが、私たちのフレームワークは意図的に汎用的であり、他の領域での再利用を可能にしている。

関連論文リスト

• TRACE: Temporal Reasoning via Agentic Context Evolution for Streaming Electronic Health Records (EHRs) [7.2159153945746795]
  LLM(Large Language Models)は、広範囲にわたる医学的知識を符号化するが、縦断的患者の軌跡に確実に適用することは困難である。 凍結LDMによる時間的臨床推論を可能にするフレームワークであるTRACEを紹介する。 MIMIC-IVによる縦断的臨床イベントストリームの評価
  論文  参考訳（メタデータ） (2026-02-13T11:39:19Z)
• Synthetic Survival Control: Extending Synthetic Controls for "When-If" Decision [14.313335826236722]
  観測データからの時間-時間結果に対する因果効果の推定は,検閲,サンプルサイズ制限,非ランダム処理の割り当てなどにより困難である。 本稿では,パネルデータ設定において,有害事象を推定するためのSSC(Synthetic Survival Control)を提案する。
  論文  参考訳（メタデータ） (2025-11-18T04:36:20Z)
• Real-Time Health Analytics Using Ontology-Driven Complex Event Processing and LLM Reasoning: A Tuberculosis Case Study [4.0954316720608634]
  本研究では,複合イベント処理(CEP)と大規模言語モデル(LLM)を統合したオントロジー対応リアルタイム分析フレームワークを提案する。 CEPエンジンが臨床的に重要なイベントパターンを検出するApache KafkaとSpark Streamingを使用して、患者のデータを取り込み、処理する。 このフレームワークは、1,000人の結核患者(TB)のデータセットをユースケースとして評価し、低レイテンシなイベント検出、スケーラブルな推論、高モデルパフォーマンスを実証する。
  論文  参考訳（メタデータ） (2025-10-05T14:21:46Z)
• HC-LLM: Historical-Constrained Large Language Models for Radiology Report Generation [89.3260120072177]
  本稿では,放射線学レポート生成のための歴史制約付き大規模言語モデル (HC-LLM) フレームワークを提案する。 胸部X線写真から経時的特徴と経時的特徴を抽出し,疾患の進行を捉える診断報告を行った。 特に,本手法は,テスト中の履歴データなしでも良好に動作し,他のマルチモーダル大規模モデルにも容易に適用可能である。
  論文  参考訳（メタデータ） (2024-12-15T06:04:16Z)
• 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)
• EDEN : An Event DEtection Network for the annotation of Breast Cancer recurrences in administrative claims data [0.4260602838972598]
  生存分析のための時間認識ネットワークEDENとそのカスタム損失関数を提案する。 EDENは、医療シーケンスにおける生存イベントを検出するために、右検閲と時間的訪問を同時に扱うことができる。 本手法は実世界の乳がんデータセットに対する最先端のアプローチよりも優れている。
  論文  参考訳（メタデータ） (2022-11-15T11:57:40Z)
• Learning Temporal Rules from Noisy Timeseries Data [72.93572292157593]
  我々は、ノイズのある時間的データ設定内で複合イベントにつながる基礎となる原子イベントとその関係を明らかにすることに注力する。 本稿では、まず原子イベント間の暗黙的な時間的関係を学習し、その後、制御のための論理規則を引き上げるニューラル時間論理プログラミング(Neural Temporal Logic Programming:Neural TLP)を提案する。
  論文  参考訳（メタデータ） (2022-02-11T01:29:02Z)
• The Medkit-Learn(ing) Environment: Medical Decision Modelling through Simulation [81.72197368690031]
  医用シーケンシャルな意思決定に特化して設計された新しいベンチマークスイートを提案する。 Medkit-Learn(ing) Environmentは、高忠実度合成医療データに簡単かつ簡単にアクセスできるPythonパッケージである。
  論文  参考訳（メタデータ） (2021-06-08T10:38:09Z)
• Clinical Temporal Relation Extraction with Probabilistic Soft Logic Regularization and Global Inference [50.029659413650194]
  既存のメソッドは、高価な機能エンジニアリングを必要とするか、イベント間のグローバルな依存関係をモデル化できない。 本稿では,確率論的ソフト論理規則化とグローバル推論を用いた新しい臨床時間緩和法を提案する。
  論文  参考訳（メタデータ） (2020-12-16T08:23:03Z)
• Joint Constrained Learning for Event-Event Relation Extraction [94.3499255880101]
  本稿では,イベント・イベント関係をモデル化するための制約付き協調学習フレームワークを提案する。 具体的には、このフレームワークは、複数の時間的および部分的関係内の論理的制約を強制する。 我々は,共同学習手法が,共同ラベル付きデータの欠如を効果的に補うことを示す。
  論文  参考訳（メタデータ） (2020-10-13T22:45:28Z)

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。