論文の概要: PerCaM-Health: Personalized Dynamic Causal Graphs for Healthcare Reasoning

• arxiv url: http://arxiv.org/abs/2605.07267v1
• Date: Fri, 08 May 2026 05:31:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:38.821867
• Title: PerCaM-Health: Personalized Dynamic Causal Graphs for Healthcare Reasoning
• Title（参考訳）: PerCaM-Health:ヘルスケア推論のための個人化動的因果グラフ
• Authors: Elahe Khatibi, Ziyu Wang, Saba A. Farahani, Di Huang, Hung Cao, Ramesh Jain, Amir M. Rahmani,
• Abstract要約: PerCaM-Healthは、縦型健康データからパーソナライズされた動的因果グラフを学習するためのフレームワークである。 これらのグラフを時間構造方程式と結合することにより、このフレームワークは患者レベルの対実的なクエリを可能にする。
• 参考スコア（独自算出の注目度）: 26.25923484672118
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Personalized healthcare decisions require reasoning about how physiological and behavioral variables influence an individual patient over time. Existing temporal causal discovery methods are poorly matched to this setting: cohort-level models provide stable but non-personalized structures, while per-patient discovery is unreliable because individual trajectories are short, noisy, irregular, and non-stationary. This creates a fundamental gap between population-level causal modeling and the patient-specific, time-varying mechanisms needed for intervention reasoning. We introduce PerCaM-Health, a framework for learning personalized dynamic causal graphs from longitudinal health data. The framework learns a knowledge-guided population temporal graph, then conservatively adapts and evolves it using patient-specific temporal evidence and rolling-window updates, producing interpretable and auditable graph sequences. By coupling these graphs with temporal structural equations, the framework enables patient-level counterfactual queries, such as estimating short-horizon outcome changes under hypothetical behavioral interventions. Experiments on a semi-synthetic dynamic health benchmark show that PerCaM-Health improves graph recovery, dynamic edge tracking, and intervention direction accuracy compared to cohort-level, per-patient, and non-personalized temporal baselines. These results demonstrate that jointly modeling personalization and temporal evolution yields more reliable causal structure and intervention reasoning.
• Abstract（参考訳）: パーソナライズされた医療決定は、生理的および行動的変数が患者の時間とともにどのように影響するかを推論する必要がある。 既存の時間的因果探索法はこの設定とよく一致していない: コホートレベルのモデルは安定しているが個人化されていない構造を提供するが、患者ごとの発見は、個々の軌跡が短く、ノイズがあり、不規則で、静止していないため信頼できない。 これにより、集団レベルの因果モデリングと、介入推論に必要な患者固有の時間変化メカニズムの間に根本的なギャップが生じる。 縦型健康データからパーソナライズされた動的因果グラフを学習するためのフレームワークPerCaM-Healthを紹介する。 このフレームワークは、知識誘導型人口時間グラフを学習し、患者固有の時間的エビデンスとローリングウインドウの更新を用いて保守的に適応し、進化させ、解釈可能で監査可能なグラフシーケンスを生成する。 これらのグラフを時間構造方程式と結合することにより、仮説的行動介入の下での短期水平結果の変化を推定するなど、患者レベルの対実的なクエリを可能にする。 半合成動的健康ベンチマークの実験では、PerCaM-Healthはコホートレベル、患者ごと、非個人化された時間ベースラインと比較してグラフ回復、動的エッジトラッキング、介入方向の精度を改善している。 これらの結果は、パーソナライゼーションと時間的進化を共同でモデル化することで、より信頼性の高い因果構造と介入推論が得られることを示している。

関連論文リスト

• Conditional Neural ODE for Longitudinal Parkinson's Disease Progression Forecasting [51.906871559732245]
  パーキンソン病(PD)は異質で進化する脳形態計測パターンを示す。 これらの縦方向の軌跡をモデル化することで、機械的な洞察、治療の発展、そして個別化された「デジタルツイン」予測が可能になる。 連続的な個人化されたPD進行予測のための新しいフレームワークであるCNODEを提案する。
  論文  参考訳（メタデータ） (2025-11-06T20:16:33Z)
• Chain-of-Influence: Tracing Interdependencies Across Time and Features in Clinical Predictive Modelings [9.057609869168957]
  カオス・オブ・インフルエンス(Chain-of-Influence, CoI)は、機能相互作用の明示的な時間展開グラフを構築する、解釈可能なディープラーニングフレームワークである。 MIMIC-IVデータセットと民間慢性腎臓病コホートを用いて, 死亡率と疾患進行に関するCoIの評価を行った。
  論文  参考訳（メタデータ） (2025-10-10T22:20:51Z)
• 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)
• Structure-Aware Temporal Modeling for Chronic Disease Progression Prediction [8.037298084079504]
  本研究は、症状進化の複雑さと時間依存性モデリングの不十分さの課題に対処する。 構造的知覚と時間的モデリングを統合した統合予測フレームワークを提案する。 その結果,提案手法はAUC,RMSE,IPW-F1の既存の手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-08-20T04:55:24Z)
• Beyond Feature Importance: Feature Interactions in Predicting Post-Stroke Rigidity with Graph Explainable AI [12.69689718988924]
  筋緊張と硬さを特徴とする後ストローク剛性は、生存者の移動性や生活の質に大きな影響を及ぼす。 本研究は,グラフに基づく説明可能なAIによって特徴的相互作用を強調することによって,ストローク後の剛性を予測するという課題に対処する。
  論文  参考訳（メタデータ） (2025-04-10T22:20:22Z)
• 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)
• On the Identification of Temporally Causal Representation with Instantaneous Dependence [50.14432597910128]
  時間的因果表現学習は時系列観測から潜在因果過程を特定することを目的としている。 ほとんどの方法は、潜在因果過程が即時関係を持たないという仮定を必要とする。 我々は,インスタントtextbfOus textbfLatent dynamics のための textbfIDentification フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-24T08:08:05Z)
• Individualized Dosing Dynamics via Neural Eigen Decomposition [51.62933814971523]
  ニューラル固有微分方程式アルゴリズム(NESDE)を導入する。 NESDEは個別化モデリング、新しい治療ポリシーへの調整可能な一般化、高速で連続的でクローズドな予測を提供する。 本研究は, 総合的・現実的な医療問題におけるNESDEの堅牢性を実証し, 学習力学を用いて, 模擬医療体育環境の公開を行う。
  論文  参考訳（メタデータ） (2023-06-24T17:01:51Z)
• Learning Dynamic and Personalized Comorbidity Networks from Event Data using Deep Diffusion Processes [102.02672176520382]
  コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。 電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。 我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
  論文  参考訳（メタデータ） (2020-01-08T15:47:08Z)

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。