論文の概要: Training Large Language Models to Predict Clinical Events

• arxiv url: http://arxiv.org/abs/2605.12817v1
• Date: Tue, 12 May 2026 23:18:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 23:30:27.724737
• Title: Training Large Language Models to Predict Clinical Events
• Title（参考訳）: 臨床イベント予測のための大規模言語モデルの訓練
• Authors: Benjamin Turtel, Paul Wilczewski, Kris Skotheim,
• Abstract要約: 我々は,時間順のMIMIC-IIIノートを過去の患者コンテキストの例に変換することで,フォレストラーニングを臨床予測に拡張する。 このプロセスは、薬品、手順、臓器サポート、微生物学、死亡率を含む702の入院から6,900の予測例を生成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Longitudinal clinical notes contain rich evidence of how patients evolve over time, but converting this signal into training supervision for clinical prediction remains challenging. We extend Foresight Learning to clinical prediction by converting time-ordered MIMIC-III notes into examples consisting of past patient context, a natural-language question about a possible future event, and a label resolved from later documentation. This process yields 6,900 prediction examples from 702 admissions across medications, procedures, organ support, microbiology, and mortality. A small LoRA adapter trained on these examples improves over the prompted base model, reducing expected calibration error from 0.1269 to 0.0398 and Brier score from 0.199 to 0.145, while slightly outperforming GPT-5 point estimates on held-out questions. The approach enables reusable clinical prediction supervision from longitudinal notes without hand-engineered structured features or endpoint-specific classifiers.
• Abstract（参考訳）: 長期臨床ノートには、患者が時間とともにどのように進化するかを示す豊富な証拠が含まれているが、このシグナルを臨床予測のための訓練監督に変換することは依然として困難である。 我々は,時間順のMIMIC-IIIノートを過去の患者コンテキスト,将来起こりうる事象に関する自然言語質問,その後の文書から解決されたラベルからなる例に変換することで,臨床予測にフォレストラーニングを拡張した。 このプロセスは、薬品、手順、臓器サポート、微生物学、死亡率を含む702の入院から6,900の予測例を生成する。 これらの例に基づいてトレーニングされた小さなLoRAアダプタは、提案されたベースモデルよりも改善され、期待されるキャリブレーション誤差が 0.1269 から 0.0398 に減少し、ブライアスコアが 0.199 から 0.145 に減少し、ホールドアウトされた質問では GPT-5 点推定をわずかに上回った。 この手法により,手作業による構造的特徴やエンドポイント固有の分類器を使わずに,手書き手書き手書き手書きによる再利用可能な臨床予測が可能となる。

関連論文リスト

• Explainable Machine Learning for Sepsis Outcome Prediction Using a Novel Romanian Electronic Health Record Dataset [0.5277756703318045]
  本研究の目的は,3つの分類課題にまたがる最先端の成果を達成しつつ,臨床的に強い予測因子を同定することである。 Eosinopeniaはトップ予測ツールとして登場し、現在の評価基準に含まれていない未使用のマーカーとしての価値を強調した。
  論文  参考訳（メタデータ） (2026-04-06T14:07:23Z)
• Benchmarking Multi-turn Medical Diagnosis: Hold, Lure, and Self-Correction [72.89352076103889]
  大規模言語モデル (LLM) は, 臨床情報がすべて一ターンで提供される場合に, 高い精度で診断を行う。 1,035例からなる高忠実多ターン診断ベンチマークであるMINTを導入する。 診断決定に大きな影響を及ぼす3つの永続的な行動パターンを明らかにする。
  論文  参考訳（メタデータ） (2026-04-06T00:23:10Z)
• Automating Clinical Information Retrieval from Finnish Electronic Health Records Using Large Language Models [0.0]
  ローカルにデプロイ可能なフレームワークは、外部データ転送なしでEHRから直接臨床質問に答える。 オープンソースの大規模言語モデル(LLM)は、4Bから70Bまでのパラメータを完全にオフラインでベンチマークした。
  論文  参考訳（メタデータ） (2026-03-27T14:03:51Z)
• 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)
• PREBA: Surgical Duration Prediction via PCA-Weighted Retrieval-Augmented LLMs and Bayesian Averaging Aggregation [51.96735866702332]
  PreBAはPCA重み付き検索とベイズ平均アグリゲーションを統合した検索拡張フレームワークである。 例えば、PreBAはパフォーマンスを大幅に改善し、MAEを最大40%削減し、ゼロショット推論でR2を-0.13から0.62に引き上げる。
  論文  参考訳（メタデータ） (2026-02-27T07:19:23Z)
• In-Hospital Stroke Prediction from PPG-Derived Hemodynamic Features [34.880478990331916]
  病院内脳卒中発症タイムスタンプを非構造的臨床ノートから抽出するLLM支援データマイニングパイプラインを開発した。 次に、PSGから血行動態の特徴を抽出し、ResNet-1Dモデルを用いて、複数の早期警戒地平線を横断する差し迫ったストロークを予測する。 これらの結果は、PTGが発症の数時間前に脳卒中の予測的徴候を含むという実世界の臨床データから最初の実証的証拠となる。
  論文  参考訳（メタデータ） (2026-02-10T01:50:26Z)
• Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
  近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。 そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
  論文  参考訳（メタデータ） (2024-04-26T16:39:50Z)
• Multimodal Pretraining of Medical Time Series and Notes [45.89025874396911]
  ディープラーニングモデルは、意味のあるパターンを抽出する際の約束を示すが、広範囲なラベル付きデータが必要である。 本稿では,臨床測定値とノートのアライメントに着目し,自己指導型事前学習を用いた新しいアプローチを提案する。 病院内での死亡予測や表現型化などの下流タスクでは、データのごく一部がラベル付けされた設定において、ベースラインよりも優れています。
  論文  参考訳（メタデータ） (2023-12-11T21:53:40Z)
• 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)
• 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。