論文の概要: DT-Transformer: A Foundation Model for Disease Trajectory Prediction on a Real-world Health System
- arxiv url: http://arxiv.org/abs/2605.14227v1
- Date: Thu, 14 May 2026 00:45:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-15 21:45:34.554867
- Title: DT-Transformer: A Foundation Model for Disease Trajectory Prediction on a Real-world Health System
- Title（参考訳）: DT変換器:現実世界の健康システムにおける疾患軌跡予測の基礎モデル
- Authors: Yunying Zhu, Andrew R Weckstein, Kueiyu Joshua Lin, Jie Yang,
- Abstract要約: We developed DT-Transformer, a foundation model on 57.1M structured EHR entry over 1.7M patients from Mass General Brigham (MGB)。
次世代の予測では、AUCは896の疾患カテゴリーで0.871であり、AUC 0.5を超えている。
- 参考スコア（独自算出の注目度）: 3.932718734616
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Accurate disease trajectory prediction is critical for early intervention, resource allocation, and improving long-term outcomes. While electronic health records (EHRs) provide a rich longitudinal view of patient health in clinical environments, models trained on curated research cohorts may not reflect routine deployment settings, and those trained on single-hospital datasets capture only fragments of each patient's trajectory. This highlights the importance of leveraging large, multi-hospital health systems for training and validation to better reflect real-world clinical complexity. In this work, we develop DT-Transformer, a foundation model trained on 57.1M structured EHR entries over 1.7M patients from Mass General Brigham (MGB), spanning 11 hospitals and a broad network of outpatient clinics. DT-Transformer achieves strong discrimination in both held-out and prospective validation settings. Next-event prediction achieves a median age- and sex-stratified AUC of 0.871 across 896 disease categories, with all categories exceeding AUC 0.5. These results support health system-scale training as a path toward foundation models suited to real-world clinical forecasting.
- Abstract（参考訳）: 正確な疾患軌跡予測は早期介入、資源配分、長期成績改善に不可欠である。
電子健康記録(EHRs)は、臨床環境における患者の健康状態の経時的把握を提供するが、キュレートされた研究コホートで訓練されたモデルでは、定期的な配置設定を反映せず、単一ホスピタルデータセットでトレーニングされたモデルは、各患者の軌道の断片のみをキャプチャする。
このことは、実際の臨床の複雑さをよりよく反映するために、トレーニングと検証のために大規模で多施設の医療システムを活用することの重要性を強調している。
本研究は,MGB(Mass General Brigham)170万名以上の患者を対象に,57.1MのERHエントリをトレーニングした基礎モデルであるDT-Transformerを開発し,11の病院と外来クリニックの幅広いネットワークにまたがる。
DT-Transformerは、ホールドアウトおよび予測バリデーション設定の両方において、強い差別を達成する。
次世代の予測では、AUCは896の疾患カテゴリーで0.871であり、AUC 0.5を超えている。
これらの結果は、実際の臨床予測に適した基礎モデルへの道筋として、健康システムスケールのトレーニングを支援する。
関連論文リスト
- Predicting Neuromodulation Outcome for Parkinson's Disease with Generative Virtual Brain Model [95.41752463487008]
パーキンソン病は世界中で1千万人以上に影響している。
個人間変異は経験的治療の選択を制限し、非無視的な外科的リスクとコストを増大させる。
我々は、このギャップをトレーニング済みのファインタニングフレームワークで埋めて、静止状態fMRIから直接結果を予測する。
論文 参考訳（メタデータ） (2026-03-31T02:36:10Z) - 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) - Learning temporal embeddings from electronic health records of chronic kidney disease patients [5.2561388030590965]
縦断的電子健康記録に基づいてトレーニングした時間的埋め込みモデルが,予測性能を損なうことなく臨床的に有意な表現を学習できるかどうかを検討する。
本稿では,バニラLSTM,アテンション拡張LSTM,タイムアウェアLSTMの3つのアーキテクチャを比較した。
T-LSTMはより構造的な埋め込みを生成し、より低いDavies-Bouldin Index (DBI = 9.91) と、バニラLSTMよりも高いCKDステージ分類精度 (0.74) を達成する。
ICUの死亡予測では、埋め込みモデルは終端予測よりも一貫して優れ、精度は0.72-0.75から0.82に向上した。
論文 参考訳（メタデータ） (2026-01-26T16:50:50Z) - 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) - A Disease-Centric Vision-Language Foundation Model for Precision Oncology in Kidney Cancer [54.58205672910646]
RenalCLIPは、腎腫瘤の特徴、診断、予後のための視覚言語基盤モデルである。
腎がんの完全な臨床ワークフローにまたがる10のコアタスクにおいて、優れたパフォーマンスと優れた一般化性を実現した。
論文 参考訳（メタデータ） (2025-08-22T17:48:19Z) - Adaptable Cardiovascular Disease Risk Prediction from Heterogeneous Data using Large Language Models [70.64969663547703]
AdaCVDは、英国バイオバンクから50万人以上の参加者を対象に、大規模な言語モデルに基づいて構築された適応可能なCVDリスク予測フレームワークである。
包括的かつ可変的な患者情報を柔軟に取り込み、構造化データと非構造化テキストの両方をシームレスに統合し、最小限の追加データを使用して新規患者の集団に迅速に適応する。
論文 参考訳（メタデータ） (2025-05-30T14:42:02Z) - Zero-shot Medical Event Prediction Using a Generative Pre-trained Transformer on Electronic Health Records [8.575985305475355]
生成事前学習型トランス (GPT) は, EHRにおける時系列データを利用して, 将来の事象を予測できる。
これらのモデルの微調整はタスク固有のパフォーマンスを高めるが、多くの臨床予測タスクに適用するとコストがかかる。
事前訓練された基礎モデルはゼロショット予測設定で使用することができ、結果ごとに微調整された個別モデルに代わるスケーラブルな代替手段を提供する。
論文 参考訳（メタデータ） (2025-03-07T19:26:47Z) - Bootstrapping Your Own Positive Sample: Contrastive Learning With
Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。
EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。
私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文 参考訳（メタデータ） (2021-04-07T06:02:04Z) - Med-BERT: pre-trained contextualized embeddings on large-scale
structured electronic health records for disease prediction [12.669003066030697]
28,490,650人のEHRデータセットから得られた構造化診断データに基づいて,コンテキスト適応型埋め込みモデルの事前学習にBERTフレームワークを適用したMed-BERTを提案する。
Med-BERTは予測精度を大幅に改善し、受信機動作特性曲線(AUC)の領域を2.02-7.12%向上させた。
特に、事前訓練されたMed-BERTは、非常に小さな微調整の訓練セット(300-500サンプル)でタスクのパフォーマンスを大幅に改善し、AUCを20%以上、または10倍の訓練セットのAUCと同等にする。
論文 参考訳（メタデータ） (2020-05-22T05:07:17Z)
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。