論文の概要: Modeling and Interpreting Teamwork Dynamics in Cancer Care Outcome Prediction

• arxiv url: http://arxiv.org/abs/2606.04499v1
• Date: Wed, 03 Jun 2026 06:28:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-04 20:44:18.585048
• Title: Modeling and Interpreting Teamwork Dynamics in Cancer Care Outcome Prediction
• Title（参考訳）: がん診療成果予測における作業ダイナミクスのモデル化と解釈
• Authors: Yuhua Huang, Hsiao-Ying Lu, Kwan-Liu Ma,
• Abstract要約: がん治療には、個々の患者のニーズに応じて治療を計画し、提供するための縦断的なアプローチが必要である。 計画とデリバリはチームベースのプロセスであり、複数の医療専門家の協調作業に依存します。 我々は,これらの協調構造に埋め込まれた患者生存の予測信号の同定に機械学習手法を適用した。
• 参考スコア（独自算出の注目度）: 18.543220644724766
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Cancer care requires a longitudinal approach in which treatments are planned and delivered over time according to the needs of each individual patient. While prior research has thoroughly explored how clinical and demographic factors, such as comorbidities and age, inform treatment planning, far less attention has been devoted to the delivery phase of care. Yet planning and delivery are both team-based processes that depend on coordinated efforts among multiple healthcare professionals (HCPs). As such, the human factors embedded in these collaborative practices are crucial to optimizing patient outcomes. Despite this importance, the existing literature on human factors in cancer care is limited, and very few studies have investigated how collaboration within care teams evolves over the course of treatment. To fill this gap, this work examine how HCPs' collaboration, captured through electronic health record (EHR) systems, affects cancer patient outcomes, with particular emphasis on teamwork dynamics. We represent EHR-mediated HCP interactions as networks and apply machine learning methods to identify predictive signals of patient survival embedded in these collaborative structures. We further interpret model predictions by pinpointing network characteristics and dynamic patterns associated with particular outcomes. We evaluate our model through robustness analyses to ensure that the findings are stable and not driven by stochastic variation in training. Additionally, our insights align with hypotheses proposed in the medical literature, and our results provide the empirical, data-driven evidence supporting these claims. Overall, our work contributes a practical workflow for leveraging digital traces of collaboration to evaluate and strengthen longitudinal team-based healthcare, offering actionable insights to guide data-informed interventions in healthcare delivery.
• Abstract（参考訳）: がん治療には、個々の患者のニーズに応じて、時間とともに治療が計画され、提供される縦断的なアプローチが必要である。 これまでの研究では、コオービデンスや年齢などの臨床的、人口統計学的要因が治療計画にどのような影響を及ぼすかが徹底的に研究されてきたが、ケアのデリバリフェーズには、はるかに注意が向けられていない。 しかし、計画とデリバリはチームベースのプロセスであり、複数の医療専門家(HCP)の協調作業に依存します。 このように、これらの共同作業に埋め込まれたヒューマンファクターは、患者の結果の最適化に不可欠である。 この重要性にもかかわらず、既存のがん治療における人的要因に関する文献は限られており、治療の過程でケアチーム内でのコラボレーションがどのように進展するかを研究する研究はほとんどない。 このギャップを埋めるために、電子健康記録(EHR)システムを通して捉えたHCPのコラボレーションが、特にチームワークのダイナミクスに重点を置いて、がん患者の結果にどのように影響するかを検討する。 EHRを介するHCP相互作用をネットワークとして表現し、これらの協調構造に埋め込まれた患者生存の予測信号を特定する機械学習手法を適用した。 我々は、特定の結果に関連するネットワーク特性と動的パターンをピンポイントすることで、モデル予測をさらに解釈する。 本研究はロバストネス解析により, 実験結果が安定であり, 確率的変動の影響を受けないことを確かめる。 さらに,本研究の知見は医学文献における仮説と一致し,これらの主張を裏付ける実証的,データ駆動的な証拠が得られた。 全体として、我々の研究は、コラボレーションのデジタルトレースを活用して、チームベースの縦断的なヘルスケアを評価し、強化するための実践的なワークフローに貢献し、医療提供におけるデータインフォームド介入をガイドするための実用的な洞察を提供する。

関連論文リスト

• Beyond Traditional Diagnostics: Transforming Patient-Side Information into Predictive Insights with Knowledge Graphs and Prototypes [55.310195121276074]
  本稿では,病気を予測するための知識グラフ,プロトタイプ認識,解釈可能なフレームワークを提案する。 構造化された信頼された医療知識を統合された疾患知識グラフに統合し、臨床的に意味のある疾患のプロトタイプを構築し、予測精度を高めるために対照的な学習を利用する。 臨床的に有効な説明を提供し、患者の物語と密接に一致し、患者中心のヘルスケアデリバリーの実践的価値を強調している。
  論文  参考訳（メタデータ） (2025-12-09T05:37:54Z)
• Associating Healthcare Teamwork with Patient Outcomes for Predictive Analysis [20.239131886506538]
  我々は,ERHを介するHCPインタラクションをネットワークとしてモデル化し,これらのコラボレーションに埋め込まれた患者生存の予測信号を検出するために機械学習技術を適用した。 この作業は、コラボレーションとAIのデジタルトレースを活用して、チームベースのヘルスケアを評価し改善するための実践的なワークフローに寄与する。
  論文  参考訳（メタデータ） (2025-12-02T23:16:03Z)
• 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)
• From Patient Consultations to Graphs: Leveraging LLMs for Patient Journey Knowledge Graph Construction [3.0874677990361246]
  患者ジャーニー知識グラフ(PJKG)は、断片化された医療データの課題に対処するための新しいアプローチである。 PJKGのプロセスと構造 : 形式的臨床文書と非構造的患者とプロジェクタの会話 これらのグラフは、臨床遭遇、診断、治療、結果の間の時間的および因果関係をカプセル化する。
  論文  参考訳（メタデータ） (2025-03-18T14:44:28Z)
• Hypergraph Convolutional Networks for Fine-grained ICU Patient Similarity Analysis and Risk Prediction [15.06049250330114]
  集中治療ユニット(ICU、Intensive Care Unit)は、重篤な患者を認め、継続的な監視と治療を提供する病院の最も重要な部分の1つである。 臨床意思決定における医療従事者を支援するために,様々な患者結果予測手法が試みられている。
  論文  参考訳（メタデータ） (2023-08-24T05:26:56Z)
• Dynamic Healthcare Embeddings for Improving Patient Care [0.0]
  患者, 医師, 部屋, 薬品の動的埋め込みを学習するための, 異種共進化型動的ニューラルネットワークDECENTを提案する。 学習した患者埋め込みを予測モデルに用いた結果、DECENTは死亡リスク予測タスクで最大48.1%向上していることがわかった。 学習した医師、薬品、部屋の埋め込みに関するケーススタディは、我々のアプローチが有意義で解釈可能な埋め込みを学習していることを示している。
  論文  参考訳（メタデータ） (2023-03-21T03:14:15Z)
• Towards Trustworthy Cross-patient Model Development [3.109478324371548]
  本研究は,全ての患者と1人の患者を対象に訓練を行った際のモデル性能と説明可能性の差異について検討した。 以上の結果から,患者の人口動態は,パフォーマンスや説明可能性,信頼性に大きな影響を及ぼすことが明らかとなった。
  論文  参考訳（メタデータ） (2021-12-20T10:51:04Z)
• MIMO: Mutual Integration of Patient Journey and Medical Ontology for Healthcare Representation Learning [49.57261599776167]
  本稿では、医療表現学習と予測分析のための、エンドツーエンドの堅牢なトランスフォーマーベースのソリューション、患者旅行の相互統合、医療オントロジー(MIMO)を提案する。
  論文  参考訳（メタデータ） (2021-07-20T07:04:52Z)
• 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)
• BiteNet: Bidirectional Temporal Encoder Network to Predict Medical Outcomes [53.163089893876645]
  本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。 エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。 実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
  論文  参考訳（メタデータ） (2020-09-24T00:42:36Z)

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。