論文の概要: FlatASCEND: Autoregressive Clinical Sequence Generation with Continuous Time Prediction and Association-Based Pharmacological Testing
- arxiv url: http://arxiv.org/abs/2605.04071v1
- Date: Mon, 13 Apr 2026 11:43:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-11 06:56:26.56648
- Title: FlatASCEND: Autoregressive Clinical Sequence Generation with Continuous Time Prediction and Association-Based Pharmacological Testing
- Title（参考訳）: FlatASCEND:連続時間予測とアソシエーションに基づく薬理学的検査による自己回帰型臨床シーケンス生成
- Authors: Chris Sainsbury, Feng Dong, Andreas Karwath,
- Abstract要約: 平坦な複合トークンを用いた14.5Mパラメータ自己回帰臨床シーケンスモデルであるFlatASCENDと、ゼロインフレーションされた対数正規時間ヘッドを提案する。
プロンプトシャッフルアブレーションは、患者固有の条件付けが機械的薬理学的効果を増幅することを示している。
生成的証拠は短水平ICUデータにとって最強であり、外来患者の時間的忠実度は弱くなっている。
- 参考スコア（独自算出の注目度）: 1.7865154997539017
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Autoregressive models can predict clinical events, but generating patient-conditioned multi-step trajectories that respond to intervention tokens and testing whether those responses preserve known pharmacological associations has received limited attention. We present FlatASCEND, a 14.5M-parameter autoregressive clinical sequence model using flat composite tokens and a zero-inflated log-normal time head. Standard distributional metrics (Jaccard 0.889-0.954) do not distinguish FlatASCEND from trivial baselines; the model's value lies in conditional generation from patient-specific prefixes. A prompt-shuffle ablation shows patient-specific conditioning amplifies mechanistic pharmacological effects (2.0-2.2x for steroid to glucose, diuretic to potassium) while leaving confounding-driven associations unchanged (0.9x for insulin to glucose). An incident-user framework assesses directional consistency against prior pharmacological knowledge on MIMIC-IV (N=500 per comparison): 4/10 recover correct mechanistic directions, 2 reproduce treatment-context associations, 4 are incorrect (9/10 significant, Wilcoxon p<0.05). This pattern - partial recovery under residual confounding - is consistent with learned observational associations without causal distinction. Direct preference optimisation with surrogate reward destroys all correct associations (3/3 to 0/3), illustrating reward exploitation when reward and evaluation share an outcome domain. Generative evidence is strongest for short-horizon ICU data; outpatient temporal fidelity is weaker (median 10 vs 154 days on INSPECT), and zero-shot cross-site transfer degrades without adaptation.
- Abstract（参考訳）: 自己回帰モデルは臨床事象を予測できるが、介入トークンに反応する患者条件の多段階の軌跡を生成し、これらの反応が既知の薬理学的関連性を維持するかどうかを検査する。
平らな複合トークンを用いた14.5Mパラメトリック自己回帰臨床モデルであるFlatASCENDと、ゼロインフレーションされた対数正規時間ヘッドについて述べる。
標準的な分布指標(Jaccard 0.889-0.954)は、FlatASCENDを自明なベースラインと区別しない。
プロンプトシャッフルアブレーションは、患者特異的な条件付けによって機械薬理学的効果(ステロイドからグルコースへ2.0-2.2x、利尿剤からカリウムへ0.9x)が増幅され、コンバウンディング駆動の関連性は変化しない(インスリンからグルコースへ0.9x)。
インシデント・ユーザ・フレームワークは、MIMIC-IVの薬理学知識に対する方向性の整合性を評価する(N=500)。4/10は正しい機械的方向を回復し、2は治療コンテキスト関連を再現し、4は誤り(9/10は重要、Wilcoxon p<0.05)。
このパターンは、残差による部分的回復であり、因果区別のない学習された観察的関連と一致している。
代理報酬による直接選好最適化は、すべての正しい関連(3/3〜0/3)を破壊し、報酬と評価が結果領域を共有する場合の報奨利用を図示する。
InSPECTでは10日と154日で外来の時間的忠実度が低下し,適応なくゼロショットのクロスサイト転送は低下する。
関連論文リスト
- Joint Treatment Effect Estimation from Incomplete Healthcare Data: Temporal Causal Normalizing Flows with LLM-driven Evolutionary MNAR Imputation [0.0]
不完全長手EHRによる治療効果推定のための2段階パイプラインを提案する。
CaulFlow-Tは、長期記憶(LSTM)を符号化した患者履歴を持つ、DAGに制約された正規化フローである。
CaulFlow-Tは、正確な非可逆逆推論を行い、変分推論からの近似誤差を回避し、明示的な因果構造を通して共起を分離する。
論文 参考訳（メタデータ） (2026-05-06T16:53:08Z) - Representation Before Training: A Fixed-Budget Benchmark for Generative Medical Event Models [0.3250525349446657]
我々は,表現決定が1世紀前の事前学習予算の共有後の下流予測にどのように影響するかを評価する。
我々はMIMIC-IVで28個の整形トランスを訓練し,30個の臨床結果について評価した。
論文 参考訳（メタデータ） (2026-04-18T01:38:47Z) - Temporally Phenotyping GLP-1RA Case Reports with Large Language Models: A Textual Time Series Corpus and Risk Modeling [3.6611037112655818]
グルカゴン様ペプチド1受容体アゴニストを含む症例報告の時系列コーパスを開発した。
臨床領域の専門家によるゴールド・スタンダード・タイムラインに対するLPMタイムラインの自動抽出について検討した。
最高の性能のLCMは、高いイベントカバレッジ、症状、診断、治療、検査、結果の信頼できる時間的シークエンシングを実現した。
論文 参考訳（メタデータ） (2026-03-12T20:45:06Z) - Suppressing Prior-Comparison Hallucinations in Radiology Report Generation via Semantically Decoupled Latent Steering [94.37535002230504]
本研究では,Semantically Decoupled Latent Steeringと呼ばれる学習自由な推論時間制御フレームワークを開発した。
提案手法は,大言語モデル (LLM) による意味分解による意味のない介入ベクトルを構築する。
本手法は歴史的幻覚の可能性を著しく低下させることを示す。
論文 参考訳（メタデータ） (2026-02-27T04:49:01Z) - PUNCH: Physics-informed Uncertainty-aware Network for Coronary Hemodynamics [8.812266680285369]
標準血管造影から冠血流量を直接推定するための非診断・不確実性認識フレームワークを提案する。
このシステムは、コントラスト輸送の第一原理モデルから冠血流を推定するために、物理インフォームドニューラルネットワークと変分推論を統合している。
パイプラインは、患者1人あたり約3分で、1つのGPU上で動作し、人口レベルのトレーニングは行わない。
論文 参考訳（メタデータ） (2026-01-23T21:47:23Z) - Wav2Arrest 2.0: Long-Horizon Cardiac Arrest Prediction with Time-to-Event Modeling, Identity-Invariance, and Pseudo-Lab Alignment [5.706374608871095]
高周波生理学的波形モダリティは、患者の状態に対する深いリアルタイムな洞察を提供する。
近年、心臓発作を含む重要な事象を予測するための生理学的基礎モデルが示されている。
最小限の補助情報を用いてPSGのみのCAシステムを改善するための3つの改良点を提案する。
論文 参考訳（メタデータ） (2025-09-25T23:46:39Z) - CRTRE: Causal Rule Generation with Target Trial Emulation Framework [47.2836994469923]
ターゲットトライアルエミュレーションフレームワーク(CRTRE)を用いた因果ルール生成という新しい手法を提案する。
CRTREは、アソシエーションルールの因果効果を推定するためにランダム化トライアル設計原則を適用している。
次に、病気発症予測などの下流アプリケーションにそのような関連ルールを組み込む。
論文 参考訳（メタデータ） (2024-11-10T02:40:06Z) - 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) - Learning to diagnose cirrhosis from radiological and histological labels
with joint self and weakly-supervised pretraining strategies [62.840338941861134]
そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。
我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。
この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
論文 参考訳（メタデータ） (2023-02-16T17:06:23Z) - DeepRite: Deep Recurrent Inverse TreatmEnt Weighting for Adjusting
Time-varying Confounding in Modern Longitudinal Observational Data [68.29870617697532]
時系列データにおける時間変化の相違に対するDeep Recurrent Inverse TreatmEnt重み付け(DeepRite)を提案する。
DeepRiteは、合成データから基底的真理を復元し、実際のデータから偏りのない処理効果を推定する。
論文 参考訳（メタデータ） (2020-10-28T15:05:08Z) - 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)
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。