論文の概要: From Data Lifting to Continuous Risk Estimation: A Process-Aware Pipeline for Predictive Monitoring of Clinical Pathways
- arxiv url: http://arxiv.org/abs/2605.03895v2
- Date: Tue, 12 May 2026 17:20:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-13 21:48:56.230278
- Title: From Data Lifting to Continuous Risk Estimation: A Process-Aware Pipeline for Predictive Monitoring of Clinical Pathways
- Title（参考訳）: データリフティングから継続的リスク推定へ:臨床経過の予測モニタリングのためのプロセス対応パイプライン
- Authors: Pasquale Ardimento, Mario Luca Bernardi, Marta Cimitile, Samuele Latorre,
- Abstract要約: 本稿では,臨床経過の予測のための再現性とプロセス対応パイプラインを提案する。
このフレームワークは、ICUの入院を予測対象として、新型コロナウイルスの臨床経路で評価される。
- 参考スコア（独自算出の注目度）: 1.7219362335740878
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper presents a reproducible and process-aware pipeline for predictive monitoring of clinical pathways. The approach integrates data lifting, temporal reconstruction, event log construction, prefix-based representations, and predictive modeling to support continuous reasoning on partially observed patient trajectories, overcoming the limitations of traditional retrospective process mining. The framework is evaluated on COVID-19 clinical pathways using ICU admission as the prediction target, considering 4,479 patient cases and 46,804 prefixes. Predictive models are trained and evaluated using a case-level split, with 896 patients in the test set. Logistic Regression achieves the best performance (AUC 0.906, F1-score 0.835). A detailed prefix-based analysis shows that predictive performance improves progressively as new clinical events become available, with AUC increasing from 0.642 at early stages to 0.942 at later stages of the pathway. The results highlight two key findings: predictive signals emerge progressively along clinical pathways, and process-aware representations enable effective early risk estimation from evolving patient trajectories. Overall, the findings suggest that predictive monitoring in healthcare is best conceived as a continuous, dynamically aware process, in which risk estimates are progressively refined as the patient journey evolves.
- Abstract（参考訳）: 本稿では,臨床経過の予測のための再現性とプロセス対応パイプラインを提案する。
このアプローチは、データリフト、時間的再構築、イベントログの構築、プレフィックスベースの表現、予測モデリングを統合し、部分的に観察された患者の軌道に対する継続的な推論をサポートし、伝統的な振り返りプロセスマイニングの限界を克服する。
症例4,479例,接頭辞46,804例を考慮し,ICU接頭辞を予測対象として,新型コロナウイルスの臨床経路で評価した。
予測モデルはケースレベルのスプリットを用いて訓練され評価され、テストセットには896人の患者がいる。
ロジスティック回帰は最高のパフォーマンスを達成する(AUC 0.906, F1-score 0.835)。
詳細なプレフィックスベースの分析では、新しい臨床イベントが利用可能になると予測性能が徐々に改善し、AUCは早期に0.642から後期に0.942に増加した。
その結果、臨床経路に沿って予測信号が徐々に出現し、プロセス認識表現は、進化する患者軌道から効果的な早期リスク推定を可能にするという2つの重要な結果が浮かび上がった。
全体としては、医療における予測モニタリングは、患者旅行が進むにつれてリスク見積が徐々に洗練される、継続的、動的に認識されるプロセスとして最もよく考えられていることを示唆している。
関連論文リスト
- Cerebra: A Multidisciplinary AI Board for Multimodal Dementia Characterization and Risk Assessment [56.62016795093786]
CerebraはインタラクティブなマルチエージェントAIチームで、ERH、臨床ノート、医療画像分析のための特殊エージェントをコーディネートする。
構造化された表現を操作することで、プライバシ保護デプロイメントをサポートし、モダリティが不完全であれば、堅牢である。
Cerebraは、有識者のパフォーマンスを著しく改善し、前向き認知症リスク推定において精度を17.5ポイント向上させた。
論文 参考訳（メタデータ） (2026-03-23T05:46:45Z) - Chronic Kidney Disease Prognosis Prediction Using Transformer [2.054117570146147]
慢性腎臓病(CKD)は世界の人口の10%近くに影響し、しばしば末期腎不全へと進行する。
マルチモーダル電子健康記録を用いたCKD進行予測のためのトランスフォーマーベースのフレームワークを提案する。
論文 参考訳（メタデータ） (2025-11-04T07:52:17Z) - Attention-enabled Explainable AI for Bladder Cancer Recurrence Prediction [0.4369058206183195]
非浸潤性膀胱癌 (NMIBC) の再発率は70-80%まで上昇した。
各再発は、侵襲的な手順のカスケード、生涯にわたる監視、医療費の増大を引き起こす。
既存の臨床予測ツールには根本的な欠陥が残っており、しばしば再発リスクを過大評価する。
論文 参考訳（メタデータ） (2025-04-30T20:39:33Z) - Ensemble Survival Analysis for Preclinical Cognitive Decline Prediction in Alzheimer's Disease Using Longitudinal Biomarkers [0.9509915687694127]
従来の生存モデルは、病気の進行に伴う複雑な縦長のバイオマーカーパターンを捉えることができない。
臨床経過の早期予測を改善するために,複数の生存モデルを統合するアンサンブルサバイバル分析フレームワークを提案する。
ベースライン後の1回の訪問は予測精度を大幅に改善した(48.1%のCインデックス、48.2%のAUCゲイン)。
論文 参考訳（メタデータ） (2025-03-20T18:56:32Z) - Foresight -- Deep Generative Modelling of Patient Timelines using
Electronic Health Records [46.024501445093755]
医学史の時間的モデリングは、将来の出来事を予測し、シミュレートしたり、リスクを見積り、代替診断を提案したり、合併症を予測するために使用することができる。
我々は、文書テキストを構造化されたコード化された概念に変換するためにNER+Lツール(MedCAT)を使用する新しいGPT3ベースのパイプラインであるForesightを提示する。
論文 参考訳（メタデータ） (2022-12-13T19:06:00Z) - A causal learning framework for the analysis and interpretation of
COVID-19 clinical data [7.256237785391623]
ワークフローは、BSLを通じて患者の結果の主な原因を特定する、多段階のアプローチから成り立っている。
特徴量の多いCOVID-19データセットに対する我々のアプローチを評価し、提案フレームワークが結果に共同貢献する多要素プロセスのスキーマ的概要を提供することを示す。
対象者の85%の結果を3つの特徴のみに基づいて正確に予測する手法を考案した。
論文 参考訳（メタデータ） (2021-05-14T15:58:18Z) - Clinical Outcome Prediction from Admission Notes using Self-Supervised
Knowledge Integration [55.88616573143478]
臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。
退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。
複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
論文 参考訳（メタデータ） (2021-02-08T10:26:44Z) - A Knowledge Distillation Ensemble Framework for Predicting Short and
Long-term Hospitalisation Outcomes from Electronic Health Records Data [5.844828229178025]
既存の結果予測モデルは、頻繁なポジティブな結果の低いリコールに悩まされる。
我々は、死亡率とICUの受け入れによって表される逆さを自動的に予測する、高度にスケーリング可能な、堅牢な機械学習フレームワークを提案する。
論文 参考訳（メタデータ） (2020-11-18T15:56:28Z) - 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) - Joint Prediction and Time Estimation of COVID-19 Developing Severe
Symptoms using Chest CT Scan [49.209225484926634]
術後に重篤な症状を発症するかどうかを判定するための共同分類法と回帰法を提案する。
提案手法は,各試料の重量を考慮し,外乱の影響を低減し,不均衡な分類の問題を検討する。
提案手法では, 重症症例の予測精度76.97%, 相関係数0.524, 変換時間0.55日差が得られた。
論文 参考訳（メタデータ） (2020-05-07T12:16:37Z)
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。