論文の概要: ChronoMedicalWorld: A Medical World Model for Learning Patient Trajectories from Longitudinal Care Data
- arxiv url: http://arxiv.org/abs/2605.21963v1
- Date: Thu, 21 May 2026 03:50:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-22 16:35:42.081328
- Title: ChronoMedicalWorld: A Medical World Model for Learning Patient Trajectories from Longitudinal Care Data
- Title（参考訳）: ChronoMedicalWorld: 縦断的ケアデータから患者の軌跡を学習するための医療世界モデル
- Authors: Jiangyuan Wang, Xuyong Chen, Junwei He, Xu Xu, Shasha Xie, Fuman Han,
- Abstract要約: 縦断的ケアデータから患者の軌跡を学習するための行動条件付き潜在世界モデルフレームワークを提案する。
慢性腎疾患(CKD)における年間推定糸球体濾過率(eGFR)トラジェクトリー予測のためのCMWMのインスタンス化
CKD固有のアーキテクチャ、損失設計、トレーニングプロトコルは、構造的および会話的介入によってインターリーブされた定期的な臨床状態としてキャストできるあらゆる慢性状態に適用できる。
- 参考スコア（独自算出の注目度）: 1.995753801570114
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Long-horizon clinical simulation -- predicting how a patient's physiology evolves over years under specified interventions -- is central to chronic-disease care, yet existing electronic health record (EHR) models are predominantly discriminative, and general-purpose large language models drift under repeated interventions. We propose the \textbf{ChronoMedicalWorld Model (CMWM)}, an action-conditioned latent world-model framework for learning patient trajectories from longitudinal care data. CMWM couples a joint-embedding state encoder with a wide action encoder that admits both structured intervention indicators and free-text communication embeddings, and trains a recurrent latent transition module under a six-term objective: next-observation supervision, next-latent prediction, SIGReg latent regularisation, and three physiology-aware shape priors (slope, continuity, large-jump penalty). A closed-loop rollout-prefix protocol matches training to deployment, so the model is optimised against the same multi-step error it exhibits at inference. As a concrete case study, we instantiate CMWM for annual estimated glomerular filtration rate (eGFR) trajectory forecasting in chronic kidney disease (CKD). On a 2{,}232-patient nephrology cohort, the CKD instantiation achieves a dynamic-50\% history rollout test mean absolute error (MAE) of 7.384 and root-mean-square error (RMSE) of 10.256, against 7.964 and 11.069 for a tuned GPT-5.5 structured-prompting baseline ($-7.28\%$ MAE, $-7.35\%$ RMSE), with the gain dominated by the dialogue portion of patient--health-coach communication. The framework is not CKD-specific: its architecture, loss design, and training protocol apply to any chronic condition that can be cast as periodic clinical state interleaved with structured and conversational interventions.
- Abstract（参考訳）: 長期臨床シミュレーション -- 特定の介入の下で患者の生理が長年にわたってどのように進化するかを予測する -- は慢性的な疾患治療の中心であるが、既存の電子健康記録(EHR)モデルは主に差別的であり、汎用的な大規模言語モデルは繰り返し介入の下で漂流している。
縦断的ケアデータから患者の軌跡を学習するための行動条件付き潜在世界モデルである「textbf{ChronoMedicalWorld Model (CMWM)」を提案する。
CMWMは、構造化された介入指標と自由テキストの通信埋め込みの両方を許容する広いアクションエンコーダとの共同埋め込み状態エンコーダを結合し、次の観測監督、次の潜伏予測、SIGReg潜伏正規化、および3つの生理的認識された形状前駆体(傾斜、連続性、大きなジャンプペナルティ)の6つの目的の下で、反復潜伏遷移モジュールを訓練する。
クローズドループのロールアウト-プレフィックスプロトコルはトレーニングとデプロイメントにマッチするため、モデルが推論時に示すのと同じマルチステップエラーに対して最適化される。
慢性腎疾患 (CKD) における年間推定糸球体濾過率 (eGFR) の経時的変化について検討した。
2{,}232- patient nephrology cohortでは、CKDインスタンス化により、7.384の動的50\%の履歴ロールアウトテスト平均絶対誤差(MAE)と、10.256のルート平均二乗誤差(RMSE)が、調整されたGPT-5.5の構造化プロンプトベースライン(7.28\%$MAE,$-7.35\%$RMSE)に対して7.964と11.069に対して達成され、患者と医療のコミュニケーションの対話部分に支配される。
このフレームワークはCKD特有のものではなく、そのアーキテクチャ、損失設計、およびトレーニングプロトコルは、構造的および会話的介入によってインターリーブされた定期的な臨床状態としてキャストできるあらゆる慢性状態に適用される。
関連論文リスト
- Multimodal Deep Learning for Early Prediction of Patient Deterioration in the ICU: Integrating Time-Series EHR Data with Clinical Notes [0.0]
集中治療室(ICU)における臨床劣化のリスクのある患者の早期発見は依然として重要な課題である。
本研究は,24時間以内の患者劣化を予測するために,構造化時系列データ(硝子体標識と実験室値)と非構造化臨床ノートを併用した多モード深層学習手法を提案する。
本アーキテクチャでは,生理的データにおける時間的パターンに対する双方向LSTMエンコーダと臨床メモのためのクリニカルBERT埋め込みを,クロスモーダルアテンション機構を通じて融合させる。
論文 参考訳（メタデータ） (2026-03-16T01:50:08Z) - Personalized Longitudinal Medical Report Generation via Temporally-Aware Federated Adaptation [43.13545436728014]
FedTARは、人口動態に基づくパーソナライズと、タイムアウェアなグローバルアグリゲーションを統合するフレームワークである。
J-MID (1M 試験) とMIMIC-CXR の実験は, 言語的精度, 時間的コヒーレンス, クロスサイト一般化において一貫した改善を示した。
論文 参考訳（メタデータ） (2026-02-23T10:14:36Z) - The Patient is not a Moving Document: A World Model Training Paradigm for Longitudinal EHR [3.9541492005870604]
SMB構造(SMB-Structure)は、次世代予測(SFT)と共同埋め込み予測アーキテクチャ(JEPA)を基盤とした構造化EHRの世界モデルである。
メモリアル・スローン・ケタリング(23,319人,323,000人以上)とINSPECT(19,402人)の2つの大規模コホートで検証を行った。
論文 参考訳（メタデータ） (2026-01-29T18:49:37Z) - Dementia-R1: Reinforced Pretraining and Reasoning from Unstructured Clinical Notes for Real-World Dementia Prognosis [42.483536109820434]
非構造的臨床ノートから縦型認知症予後のフレームワークであるDementia-R1を紹介した。
本手法では,患者の病理組織から抽出した臨床的指標を予測するために,事前トレーニングを行うコールドスタートRL戦略を採用する。
大規模な実験により、Dementia-R1は実世界の非構造化臨床データセットで77.03%のF1スコアを達成した。
論文 参考訳（メタデータ） (2026-01-06T13:44:04Z) - ECG-RAMBA: Zero-Shot ECG Generalization by Morphology-Rhythm Disentanglement and Long-Range Modeling [0.6875312133832079]
ECG-RAMBAは、形態学とリズムを分離し、文脈認識融合を通じてそれらを再統合するフレームワークである。
PTB-XLで一貫したクロスデータセット性能を示す。
論文 参考訳（メタデータ） (2025-12-29T10:14:52Z) - CLARITY: Medical World Model for Guiding Treatment Decisions by Modeling Context-Aware Disease Trajectories in Latent Space [49.74032713886216]
CLARITYは、構造化潜在空間内で直接疾患の進化を予測する医療世界モデルである。
時間間隔(時間的文脈)と患者固有のデータ(臨床的文脈)を明確に統合し、スムーズで解釈可能な軌跡として治療条件の進行をモデル化する。
論文 参考訳（メタデータ） (2025-12-08T20:42:10Z) - 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) - Predicting Fetal Outcomes from Cardiotocography Signals Using a Supervised Variational Autoencoder [1.8352113484137627]
心電図(CTG)信号を妊娠結果に基づいて分類するための教師付き変分オートエンコーダ(VAE)モデルの開発と解釈を行った。
論文 参考訳（メタデータ） (2025-09-08T10:54:04Z) - Organ-Agents: Virtual Human Physiology Simulator via LLMs [66.40796430669158]
オルガン-エージェント(Organ-Agents)は、LDM駆動のエージェントを介して人間の生理学をシミュレートする多エージェントフレームワークである。
症例は7,134例,コントロール7,895例で,9系統および125変数にわたる高分解能トラジェクトリを作成した。
臓器抗原は4,509人の保留患者に対して高いシミュレーション精度を達成し, システムごとのMSE0.16とSOFA系重症度層間の堅牢性を示した。
論文 参考訳（メタデータ） (2025-08-20T01:58:45Z) - 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) - Foresight -- Deep Generative Modelling of Patient Timelines using
Electronic Health Records [46.024501445093755]
医学史の時間的モデリングは、将来の出来事を予測し、シミュレートしたり、リスクを見積り、代替診断を提案したり、合併症を予測するために使用することができる。
我々は、文書テキストを構造化されたコード化された概念に変換するためにNER+Lツール(MedCAT)を使用する新しいGPT3ベースのパイプラインであるForesightを提示する。
論文 参考訳（メタデータ） (2022-12-13T19:06:00Z)
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。