論文の概要: EHR-RAGp: Retrieval-Augmented Prototype-Guided Foundation Model for Electronic Health Records

• arxiv url: http://arxiv.org/abs/2605.12335v1
• Date: Tue, 12 May 2026 16:17:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:57.0028
• Title: EHR-RAGp: Retrieval-Augmented Prototype-Guided Foundation Model for Electronic Health Records
• Title（参考訳）: EHR-RAGp:Retrieval-Augmented Prototype-Guided Foundation Model for Electronic Health Records
• Authors: Saeed Shurrab, Mariam Al-Omari, Dana El Samad, Farah E. Shamout,
• Abstract要約: EHRは、豊富な縦断的な患者情報を含み、予測モデリングの応用に広く利用されている。 EHR-RAGpは,多種多様な臨床イベントタイプにまたがって,最も関連性の高い患者履歴を動的に統合する基盤モデルである。
• 参考スコア（独自算出の注目度）: 0.9989630065856642
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Electronic Health Records (EHR) contain rich longitudinal patient information and are widely used in predictive modeling applications. However, effectively leveraging historical data remains challenging due to long trajectories, heterogeneous events, temporal irregularity, and the varying relevance of past clinical context. Existing approaches often rely on fixed windows or uniform aggregation, which can obscure clinically important signals. In this work, we introduce EHR-RAGp, a retrieval-augmented foundation model that dynamically integrates the most relevant patient history across diverse clinical event types. We propose a prototype-guided retrieval module that acts as an alignment mechanism and estimates the relevance of retrieved historical chunks with respect to a given prediction task, guiding the model towards the most informative context. Across multiple clinical prediction tasks, EHR-RAGp consistently outperforms state-of-the-art EHR foundation models and transformer-based baselines. Furthermore, integrating EHR-RAGp with existing clinical foundation models yields substantial performance gains. Overall, EHR-RAGp provides a scalable and efficient framework for leveraging long-range clinical context to improve downstream performance.
• Abstract（参考訳）: 電子健康記録 (Electronic Health Records, EHR) は、患者情報が豊富であり、予測モデリングの応用に広く利用されている。 しかし、長い軌跡、異種事象、時間的不規則性、過去の臨床状況の様々な関連性により、歴史的データを効果的に活用することは依然として困難である。 既存のアプローチはしばしば固定窓や一様集合に依存しており、臨床的に重要なシグナルを曖昧にすることができる。 本研究では,様々な臨床イベントタイプにまたがって,最も関連性の高い患者履歴を動的に統合する検索強化基盤モデルであるERH-RAGpを紹介する。 本稿では,アライメント機構として機能するプロトタイプ誘導型検索モジュールを提案し,与えられた予測タスクに対する履歴チャンクの関連性を推定し,最も情報性の高いコンテキストに向けてモデルを誘導する。 複数の臨床予測タスクにおいて、EHR-RAGpは、最先端のEHR基盤モデルとトランスフォーマーベースのベースラインを一貫して上回っている。 さらに、ERH-RAGpと既存の臨床基礎モデルを統合することで、かなりの性能向上が得られる。 全体として、EHR-RAGpは、下流のパフォーマンスを改善するために長距離臨床コンテキストを活用するスケーラブルで効率的なフレームワークを提供する。

関連論文リスト

• Integrating Genomics into Multimodal EHR Foundation Models [56.31910745104141]
  本稿では,ポリジェニックリスクスコア(PRS)を基本データモダリティとして統合した,革新的なEHR基盤モデルを提案する。 このフレームワークは、臨床データと遺伝子前置詞の複雑な関係を学習することを目的としている。 このアプローチは、病気の予測、積極的な健康管理、リスク階層化、パーソナライズされた治療戦略に対する新たな洞察を解放するために重要である。
  論文  参考訳（メタデータ） (2025-10-24T15:56:40Z)
• CEHR-XGPT: A Scalable Multi-Task Foundation Model for Electronic Health Records [9.583050730170557]
  CEHR-XGPTは、ERHRデータの汎用基盤モデルである。 特徴表現、ゼロショット予測、合成データ生成の3つの重要な機能を統合する。 3つのタスクすべてに対して強力なパフォーマンスを示し、外部データセットに効果的に一般化する。
  論文  参考訳（メタデータ） (2025-09-03T18:50:03Z)
• Time-Aware Attention for Enhanced Electronic Health Records Modeling [8.4225455796455]
  TALE-EHR は Transformer ベースのフレームワークで,連続的な時間的ギャップを明示的にモデル化する,新たなタイムアウェアアテンション機構を備えている。 本手法は, 疾患進展予測などのタスクにおいて, 最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-07-20T07:32:41Z)
• Foundation Models for Clinical Records at Health System Scale [40.88151645546234]
  次世代イベント予測を用いたシーケンシャルEHRデータのための新しい生成事前学習戦略を提案する。 本モデルは,患者の来訪履歴に基づいて,各種のトークン化臨床イベントを自己回帰的に生成することを学ぶ。
  論文  参考訳（メタデータ） (2025-07-01T08:52:33Z)
• Synthesizing Multimodal Electronic Health Records via Predictive Diffusion Models [69.06149482021071]
  EHRPDと呼ばれる新しいEHRデータ生成モデルを提案する。 時間間隔推定を組み込んだ拡散モデルである。 我々は2つの公開データセットで実験を行い、忠実さ、プライバシー、実用性の観点からEPHPDを評価する。
  論文  参考訳（メタデータ） (2024-06-20T02:20:23Z)
• Recent Advances in Predictive Modeling with Electronic Health Records [71.19967863320647]
  EHRデータを予測モデリングに利用すると、その特徴からいくつかの課題が生じる。 深層学習は、医療を含む様々な応用においてその優位性を示している。
  論文  参考訳（メタデータ） (2024-02-02T00:31:01Z)
• SANSformers: Self-Supervised Forecasting in Electronic Health Records with Attention-Free Models [48.07469930813923]
  本研究は,医療施設への患者訪問数を予測することにより,医療サービスの需要を予測することを目的とする。 SNSformerは、特定の帰納バイアスを設計し、EHRデータの特異な特徴を考慮に入れた、注意のない逐次モデルである。 本研究は, 各種患者集団を対象とした医療利用予測の修正における, 注意力のないモデルと自己指導型事前訓練の有望な可能性について考察した。
  論文  参考訳（メタデータ） (2021-08-31T08:23:56Z)

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。