論文の概要: H3: A Healthcare Three-Hop Index for Physician Referral Network Prediction

• arxiv url: http://arxiv.org/abs/2605.02150v1
• Date: Mon, 04 May 2026 02:22:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:50.105911
• Title: H3: A Healthcare Three-Hop Index for Physician Referral Network Prediction
• Title（参考訳）: H3: 医師リファラルネットワーク予測のための医療トリホップ指標
• Authors: Zhexi Gu, Jiaxin Ying, Xu-Wen Wang, Can Chen,
• Abstract要約: 本稿では,中間医を介する間接的参照経路をモデル化し,制約に対処する医療用3ホップ指標H3を提案する。 H3は古典とディープラーニングベースのベースラインを一貫して上回る。 ブラックボックスニューラルネットワークアプローチとは異なり、H3は特定の仲介医にトレース可能な完全に分解可能な予測を生成する。
• 参考スコア（独自算出の注目度）: 2.794705971747593
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate prediction of physician referral links is essential for optimizing care coordination and reducing fragmentation in healthcare delivery. However, existing computational methods, ranging from triadic closure heuristics to graph neural networks, fail to capture the intrinsic properties of physician referral networks, including sparsity, disassortative degree mixing, and hub-dominated topology. Here, we propose H3, a healthcare three-hop index that addresses these limitations by modeling indirect referral pathways through intermediate physicians, with degree-based normalization and a redundancy penalty to mitigate hub-mediated noise. Using Medicare Physician Shared Patient Patterns data, we evaluate H3 under two complementary prediction regimes: within-period prediction, which assesses recovery of contemporaneous referral links under sparse conditions, and cross-period prediction, which tests robustness to temporal shift as referral windows expand. Across both regimes, H3 consistently outperforms classical heuristics and deep learning-based baselines. Unlike black-box neural network approaches, H3 produces fully decomposable predictions traceable to specific intermediary physicians, offering a transparent and deployable solution for referral network completion.
• Abstract（参考訳）: 医師紹介リンクの正確な予測は、医療提供におけるケア調整の最適化と断片化の削減に不可欠である。 しかし、既存の計算手法は、三進的クロージャヒューリスティックスからグラフニューラルネットワークまで、スパーシリティ、不等級混合、ハブ支配トポロジーなど、医師紹介ネットワークの本質的な特性を捉えることができない。 本稿では,これらの制約に対処する医療用3ホップ指標であるH3を提案する。 医用医用医師共有患者パターンデータを用いてH3を2つの相補的な予測体制下で評価する: 期間内予測, スパース条件下での同時参照リンクの回復を評価すること, 期間横断予測, 基準ウィンドウの拡大に伴う時間変化に対する堅牢性をテストすること。 両者とも、H3は古典的ヒューリスティックとディープラーニングに基づくベースラインを一貫して上回っている。 ブラックボックスニューラルネットワークアプローチとは異なり、H3は特定の仲介医にトレース可能な完全に分解可能な予測を生成し、参照ネットワーク補完のための透明でデプロイ可能なソリューションを提供する。

関連論文リスト

• Hybrid Quantum Neural Network for Multivariate Clinical Time Series Forecasting [1.273286181233646]
  本稿では、リカレント神経バックボーン内に変分量子回路(VQC)を統合するハイブリッド量子古典アーキテクチャを提案する。 本稿では,BIDMC PPGとRespirationデータセットに関する提案手法について,Leave-One-Patient-Outプロトコルを用いて評価する。
  論文  参考訳（メタデータ） (2026-03-09T08:08:57Z)
• VISION-ICE: Video-based Interpretation and Spatial Identification of Arrhythmia Origins via Neural Networks in Intracardiac Echocardiography [3.3977894536938273]
  不整脈源の局在は、正常洞リズム、左サイド、右サイドの不整脈を区別する3段階の分類課題として定式化されている。 上記の3つのクラスを識別する3次元畳み込みニューラルネットワークを開発した。 10倍のクロスバリデーションでは、前例のない4例に対して平均66.2%の精度で評価された。
  論文  参考訳（メタデータ） (2026-02-04T06:02:03Z)
• Sepsis Prediction Using Graph Convolutional Networks over Patient-Feature-Value Triplets [10.151360630975482]
  本稿では,単一ブランチグラフ畳み込みモデルであるTriplet-GCNを提案する。 グラフ畳み込みネットワーク(GCN)と軽量多層パーセプトロン(MLP)を用いて患者埋め込みを学習する。
  論文  参考訳（メタデータ） (2025-12-05T04:30:48Z)
• MedAlign: A Synergistic Framework of Multimodal Preference Optimization and Federated Meta-Cognitive Reasoning [52.064286116035134]
  我々はMed-VQA(Med-VQA)のための視覚的LVLM応答を保証するフレームワークであるMedAlignを開発した。 まず、優先学習を視覚的コンテキストに合わせるために、マルチモーダルな直接選好最適化(mDPO)の目的を提案する。 次に、画像とテキストの類似性を生かし、クエリを専門的でコンテキスト拡張されたLVLMにルーティングする検索型混合処理(RA-MoE)アーキテクチャを設計する。
  論文  参考訳（メタデータ） (2025-10-24T02:11:05Z)
• Improving Neural Additive Models with Bayesian Principles [54.29602161803093]
  ニューラル加算モデル(NAM)は、個別の加算サブネットワークでキャリブレーションされた入力特徴を扱うことにより、ディープニューラルネットワークの透明性を高める。 本研究では,Laplace-approximated NAM (LA-NAMs) を開発した。
  論文  参考訳（メタデータ） (2023-05-26T13:19:15Z)
• LHNN: Lattice Hypergraph Neural Network for VLSI Congestion Prediction [70.31656245793302]
  格子ハイパーグラフ(格子ハイパーグラフ)は、回路のための新しいグラフ定式化である。 LHNNは、F1スコアのU-netやPix2Pixと比べて、35%以上の改善を常に達成している。
  論文  参考訳（メタデータ） (2022-03-24T03:31:18Z)
• A Deep Learning Approach to Predicting Collateral Flow in Stroke Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
  側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。 実際のグレーティングは主に、取得した画像の手動検査によって行われる。 MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
  論文  参考訳（メタデータ） (2021-10-24T18:58:40Z)
• 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)
• AutoHR: A Strong End-to-end Baseline for Remote Heart Rate Measurement with Neural Searching [76.4844593082362]
  既存のエンド・ツー・エンドのネットワークが難易度が低い理由を考察し,アーキテクチャ・サーチ(NAS)を用いたリモートHR計測のための強力なベースラインを確立する。 総合的な実験は、時間内テストとクロスデータセットテストの両方で3つのベンチマークデータセットで実施される。
  論文  参考訳（メタデータ） (2020-04-26T05:43:21Z)
• Convolutional Neural Networks for Epileptic Seizure Prediction [0.13192560874022083]
  発作予測のための頭蓋内脳波(iEEG)の分類法について検討した。 従来のアプローチとは対照的に、手作りの特徴の抽出を分類的に控える。 4匹の犬と3人の患者の長期記録を含む3つの異なるモデルが公開データセットで評価されている。
  論文  参考訳（メタデータ） (2018-11-02T15:09:18Z)

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。