論文の概要: Simulating clinical interventions with a generative multimodal model of human physiology

• arxiv url: http://arxiv.org/abs/2604.27899v1
• Date: Thu, 30 Apr 2026 14:10:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-01 16:31:54.129211
• Title: Simulating clinical interventions with a generative multimodal model of human physiology
• Title（参考訳）: 遺伝子組み換えヒト生理学モデルによる臨床介入のシミュレーション
• Authors: Guy Lutsker, Gal Sapir, Jordi Merino, Smadar Shilo, Anastasia Godneva, Eli Meirom, Shie Mannor, Hagai Rossman, Gal Chechik, Eran Segal,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 49.828582089394445
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Understanding how human health changes over time, and why responses to interventions vary between individuals, remains a central challenge in medicine. Here we present HealthFormer, a decoder-only transformer that models the human physiological trajectory generatively, by training on data from the Human Phenotype Project, a multi-visit cohort of over 15,000 deeply phenotyped individuals. We tokenise each participant's health trajectory across 667 measurements spanning seven domains: blood biomarkers, body composition, sleep physiology, continuous glucose monitoring, gut microbiome, wearable-derived physiology, and behaviour and medication exposure. We train HealthFormer to forecast individual physiological trajectories across these domains, and from this single generative objective a range of clinically relevant tasks can be expressed as queries on the model. We show that, without task-specific training, HealthFormer transfers to four independent cohorts and improves prediction for 27 of 30 incident-disease and mortality endpoints, exceeding established clinical risk scores in every comparison. We further show that the model can simulate interventions in silico: in a held-out personalised-nutrition trial, intervention-conditioned predictions recover individual six-month biomarker changes (e.g., Pearson r = 0.78 for diastolic blood pressure). Across 41 randomised intervention-outcome comparisons drawn from published trials, our results show that the predicted direction of effect agrees in every case, and the predicted mean falls within the reported 95% confidence interval in 30 cases. We position HealthFormer as an initial health world model, from which forecasting, risk stratification, and intervention-conditioned simulation arise as queries, providing a basis for clinical digital twins.
• Abstract（参考訳）: 人間の健康が時間とともにどのように変化するのか、なぜ介入に対する反応が個人によって異なるのかを理解することは、医学における中心的な課題である。 ここでは,ヒトフェノタイプ計画(Human Phenotype Project)のデータに基づいて,ヒト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HealthFormerを紹介する。 血液バイオマーカー, 体組成, 睡眠生理学, 連続血糖モニタリング, 腸内細菌叢, ウェアラブル由来の生理学, 行動および薬物暴露の7つの領域にまたがる667個の測定値に対して, 被験者の健康軌道をトークン化する。 我々はHealthFormerを訓練し、これらの領域における個々の生理的軌跡を予測する。 その結果,HealthFormerはタスク固有のトレーニングを受けずに4つの独立したコホートに移行し,30のインシデント障害および死亡エンドポイントの27の予測を改善し,各比較において確立された臨床リスクスコアを上回った。 さらに,シリコの介入をシミュレートできることが示唆された。主観的栄養摂取試験では,介入条件付き予測が6カ月間のバイオマーカーの変化を回復する(例:Pearson r = 0.78,拡張期血圧)。 発表試験から得られた41件のランダム化介入・アウトカム比較の結果, 効果の予測方向はすべてのケースで一致し, 予測平均は報告された95%信頼区間内30ケースで低下した。 我々はHealthFormerを最初の健康世界モデルとして位置づけ、予測、リスク階層化、介入条件付きシミュレーションがクエリとして発生し、臨床デジタル双生児の基礎となる。

関連論文リスト

• Predicting Neuromodulation Outcome for Parkinson's Disease with Generative Virtual Brain Model [95.41752463487008]
  パーキンソン病は世界中で1千万人以上に影響している。 個人間変異は経験的治療の選択を制限し、非無視的な外科的リスクとコストを増大させる。 我々は、このギャップをトレーニング済みのファインタニングフレームワークで埋めて、静止状態fMRIから直接結果を予測する。
  論文  参考訳（メタデータ） (2026-03-31T02:36:10Z)
• Personalized Counterfactual Framework: Generating Potential Outcomes from Wearable Data [1.7396556690675233]
  本稿では,ウェアラブルデータからパーソナライズされた対物モデルを学ぶためのフレームワークを提案する。 我々はまず,マルチモーダル類似性分析を用いて,類似患者のデータを用いて個々のデータセットを拡大する。 次に、時間的PC(Peter-Clark)アルゴリズムを用いて予測関係を探索する。 グラディエントブースティングマシンは、個々の特殊効果を定量化するためにこれらの関係に基づいて訓練されている。
  論文  参考訳（メタデータ） (2025-08-20T05:04:17Z)
• 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)
• Leveraging Cardiovascular Simulations for In-Vivo Prediction of Cardiac Biomarkers [43.17768785084301]
  我々は、新たに構築された心臓シミュレーションの大規模なデータセットに基づいて、無傷神経後部推定器を訓練する。 シミュレーションデータと実世界の測定値との整合性を改善するために,要素モデリング効果を取り入れた。 提案するフレームワークは,実世界のデータに対する予測能力を向上するために,インバイブなデータソースをさらに統合することができる。
  論文  参考訳（メタデータ） (2024-12-23T13:05:17Z)
• From Glucose Patterns to Health Outcomes: A Generalizable Foundation Model for Continuous Glucose Monitor Data Analysis [47.23780364438969]
  本稿では,CGMデータの生成基盤モデルであるGluFormerについて紹介する。 GluFormerは、異なる民族や年齢、5つの国、8つのCGMデバイス、多様な病態状態にまたがる19の外部コホートに一般化する。 CGMデータと12年間のフォローアップを持つ580人の成人の縦断的研究において、GluFormerは血液HbA1C%よりも糖尿病を効果的に発症するリスクが高い個人を特定する。
  論文  参考訳（メタデータ） (2024-08-20T13:19:06Z)
• Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
  近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。 そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
  論文  参考訳（メタデータ） (2024-04-26T16:39:50Z)
• Simulation-based Inference for Cardiovascular Models [43.55219268578912]
  シミュレーションに基づく推論を用いて、波形をプラプシブルな生理的パラメータにマッピングする逆問題を解決する。 臨床応用5種類のバイオマーカーのin-silico不確実性解析を行った。 我々はMIMIC-III波形データベースを用いて,ビビオとシリカのギャップについて検討した。
  論文  参考訳（メタデータ） (2023-07-26T02:34:57Z)

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。