論文の概要: Imitation learning for clinical decision support in pediatric ECMO

• arxiv url: http://arxiv.org/abs/2605.16175v1
• Date: Fri, 15 May 2026 16:53:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-18 21:22:26.381137
• Title: Imitation learning for clinical decision support in pediatric ECMO
• Title（参考訳）: 小児心電図における臨床意思決定支援のための模擬学習
• Authors: Fateme Golivand, Michael Skinner, Saurabh Mathur, Ameet Soni, Phillip Reeder, Kristian Kersting, Lakshmi Raman, Sriraam Natarajan,
• Abstract要約: 我々は、軌道から行動する学習、すなわち模倣学習として臨床的な意思決定を行う。 グラフデータに対する最近のトランスフォーマーベースのアプローチであるTabPFNと、XGBoostやMulti-Layer Perceptronsといった従来のベースラインについて検討する。 TabPFNベースのアプローチは、これらの古典的ベースラインを一貫して上回ります。
• 参考スコア（独自算出の注目度）: 29.3203189104274
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Pediatric critical care is a dynamic, high-stakes process involving constant monitoring and adjustments in life-saving treatments. Modeling these interventions is crucial for effective decision support. To address the challenges of high complexity and data scarcity in pediatric Extracorporeal Membrane Oxygenation (ECMO), we frame clinical decision-making as learning to act from trajectories, i.e., imitation learning that learns action models from observational data, with a key feature that actions are not directly observed. We consider TabPFN, a recent transformer-based approach for tabular data, and traditional baselines including XGBoost and Multi-Layer Perceptrons(MLPs) on real-world pediatric ECMO data to learn the action models. We find that the TabPFN-based approach consistently outperforms these classical baselines, supporting its use as a strong clinician-behavior baseline for pediatric ECMO decision support.
• Abstract（参考訳）: 小児クリティカルケア(Pediatric critical care)は、持続的なモニタリングと救命治療の調整を含む、ダイナミックでハイテイクなプロセスである。 これらの介入をモデル化することは効果的な意思決定支援に不可欠である。 小児体外膜酸素化(ECMO)における高複雑性とデータ不足の課題に対処するため,我々は,行動が直接観察されない重要な特徴を持つ,観察データから行動モデルを学ぶ模倣学習という,軌道から行動する学習としての臨床的意思決定の枠組みを定めている。 我々は,近年の表型データに対するトランスフォーマーベースのアプローチであるTabPFNと,実際の小児心電図データに基づくXGBoostやMulti-Layer Perceptrons(MLPs)など,従来のベースラインを考察し,アクションモデルを学習する。 このTabPFNベースのアプローチは、これらの古典的ベースラインを一貫して上回り、小児心電図決定支援のための強力な臨床行動ベースラインとしての使用をサポートする。

関連論文リスト

• Agentifying Patient Dynamics within LLMs through Interacting with Clinical World Model [57.78184285979881]
  敗血症治療推奨のための世界モデル拡張LDMエージェントであるSepsisAgentを紹介する。 SepsisAgentは、学習された臨床世界モデルを使用して、候補の流体圧薬の介入下での患者の反応をシミュレートする。
  論文  参考訳（メタデータ） (2026-05-14T11:50:00Z)
• Unlocking Multi-Site Clinical Data: A Federated Approach to Privacy-First Child Autism Behavior Analysis [20.436962518259204]
  ポーズに基づく自閉症児の行動認識のためのフェデレーション学習に関する最初の研究について述べる。 われわれのフレームワークは、2層プライバシー保護機構を利用して、診療所内に機密性のあるポーズデータが残ることを保証している。 MMASDベンチマークによる実験結果から,本フレームワークは高い認識精度を実現することが示された。
  論文  参考訳（メタデータ） (2026-04-03T01:08:44Z)
• Multi-View Stenosis Classification Leveraging Transformer-Based Multiple-Instance Learning Using Real-World Clinical Data [76.89269238957593]
  冠動脈狭窄は心血管疾患の主要な原因であり,多発血管造影で冠動脈を解析し診断した。 患者レベルの狭窄分類のためのトランスフォーマーベースマルチビューマルチインスタンス学習フレームワークであるSegmentMILを提案する。
  論文  参考訳（メタデータ） (2026-02-02T13:07:52Z)
• GEMeX-RMCoT: An Enhanced Med-VQA Dataset for Region-Aware Multimodal Chain-of-Thought Reasoning [60.03671205298294]
  医学的視覚的質問応答は、医学的イメージに基づいた自然言語的質問にモデルで答えることによって、臨床的な意思決定を支援することを目的としている。 現在の方法はまだ、答えの信頼性の制限と解釈性の低下に悩まされている。 この研究はまず、回答を生成するプロセスが中間的推論ステップのシーケンスに先行する領域対応マルチモーダル・チェーン・オブ・ソートデータセットを提案する。
  論文  参考訳（メタデータ） (2025-06-22T08:09:58Z)
• medDreamer: Model-Based Reinforcement Learning with Latent Imagination on Complex EHRs for Clinical Decision Support [3.8382507197481144]
  medDreamerは、パーソナライズされた治療レコメンデーションのための新しいモデルベースの強化学習フレームワークである。 不規則なデータから潜伏した患者の状態をシミュレートし、実と想像の軌跡のハイブリッドで訓練された2段階のポリシーを定めている。 これは、臨床結果と非政治指標の両方において、モデルフリーおよびモデルベースベースラインを著しく上回る。
  論文  参考訳（メタデータ） (2025-05-26T10:16:39Z)
• Predicting Fetal Birthweight from High Dimensional Data using Advanced Machine Learning [1.489994236178479]
  出生体重は新生児の健康の基本的な指標であり、医療介入や長期の発達リスクと密接に関連している。 伝統的な予測モデルは、しばしば限られた特徴選択と不完全なデータセットによって制約され、複雑な母体と胎児の相互作用を見渡すのに苦労する。 本研究は,先進的な計算戦略を統合した構造化手法を用いて,これらの制約に対処するための機械学習について検討する。
  論文  参考訳（メタデータ） (2025-02-20T05:17:39Z)
• Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites: A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
  深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。 我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。 また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
  論文  参考訳（メタデータ） (2023-08-31T00:36:10Z)
• Explainable Techniques for Analyzing Flow Cytometry Cell Transformers [0.0]
  我々は、注意の可視化を容易にするReluFormerと呼ばれるトランスフォーマーアーキテクチャの使用法を評価する。 本稿では,Flow CytoMetry(FCM)データに適した勾配と注意に基づく可視化手法を提案する。
  論文  参考訳（メタデータ） (2023-07-27T02:03:52Z)
• What Do You See in this Patient? Behavioral Testing of Clinical NLP Models [69.09570726777817]
  本稿では,入力の変化に関する臨床結果モデルの振る舞いを評価する拡張可能なテストフレームワークを提案する。 私たちは、同じデータを微調整しても、モデル行動は劇的に変化し、最高のパフォーマンスのモデルが常に最も医学的に可能なパターンを学習していないことを示しています。
  論文  参考訳（メタデータ） (2021-11-30T15:52:04Z)
• Explaining Clinical Decision Support Systems in Medical Imaging using Cycle-Consistent Activation Maximization [112.2628296775395]
  ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。 臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。 そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
  論文  参考訳（メタデータ） (2020-10-09T14:39:27Z)

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。