論文の概要: HoT-SSM:Higher-order Temporal Knowledge Graph Reasoning with State Space Models for Health Care

• arxiv url: http://arxiv.org/abs/2606.05994v1
• Date: Thu, 04 Jun 2026 10:42:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-05 22:39:44.728822
• Title: HoT-SSM:Higher-order Temporal Knowledge Graph Reasoning with State Space Models for Health Care
• Title（参考訳）: HoT-SSM:医療のための状態空間モデルと高次時空間知識グラフ
• Authors: Thummaluru Siddartha Reddy, Vempalli Naga Sai Saketh, Yash Punjabi, Mahesh Chandran,
• Abstract要約: 状態空間モデルを用いた高次時間グラフ推論法であるHoT-SSMを提案する。 訪問ごとに、HoT-SSMはドメイン知識を用いて意味論的に関連する臨床概念をハイパーエッジにグループ化することでハイパーグラフを構築する。 MIMIC-IIIおよびMIMIC-IVデータセットの実験は、現在の最先端モデルよりも大幅に性能が向上したことを示している。
• 参考スコア（独自算出の注目度）: 4.959832547805051
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Medical knowledge graphs (MKGs) infused with clinical knowledge have been increasingly used to model electronic health records (EHRs) to support interpretable predictions in healthcare domain. However, existing MKG-based approaches are limited in capturing pairwise relations between clinical concepts (e.g., conditions, procedures, and medications), and restricts their ability to model higher-order interactions among co-occurring or semantically related concepts. In addition, most representation learning methods that leverage MKGs either collapse temporal information across visits or lack an explicit mechanism for modeling long-range temporal dependencies, which is critical for clinical tasks such as mortality prediction. To mitigate these limitations, we propose HoT-SSM, a parameter efficient and higher-order temporal graph reasoning with state space models. For each visit, HoT-SSM constructs hypergraphs by grouping semantically related clinical concepts into hyperedges using domain knowledge, thereby preserving visit-level clinical context. Further, to model the temporal dynamics while learning the representations, we introduce a novel dynamic hypergraph-based state space model that explicitly captures patients latent state evolution over time while preserving long-range information. The learned representations are used for downstream clinical prediction and reasoning. Experiments on MIMIC-III and MIMIC-IV datasets shows significant performance improvement over the current state-of-the-art models, demonstrating the effectiveness of jointly modeling higher-order clinical interactions and long-range temporal dependencies.
• Abstract（参考訳）: 臨床知識を取り入れた医療知識グラフ(MKG)は、医療領域における解釈可能な予測を支援するために、電子健康記録(EHR)のモデル化にますます利用されている。 しかし、既存のMKGベースのアプローチは、臨床概念(例えば、条件、手順、薬品)の相互関係を捉えることに制限されており、共起的あるいは意味論的に関連する概念間の高次相互作用をモデル化する能力を制限する。 加えて、MKGを利用したほとんどの表現学習手法は、訪問中に時間的情報を崩壊させるか、長期の時間的依存をモデル化するための明確なメカニズムが欠如している。 これらの制約を緩和するために,状態空間モデルを用いたパラメータ効率と高次時間グラフ推論法であるHoT-SSMを提案する。 訪問毎に、HoT-SSMは、ドメイン知識を用いて意味論的に関連する臨床概念をハイパーエッジにグループ化し、訪問レベルの臨床コンテキストを保存することでハイパーグラフを構築する。 さらに、表現を学習しながら時間的ダイナミクスをモデル化するために、時間とともに潜伏状態の進化をはっきりと捉えながら、長距離情報を保存する、新しい動的ハイパーグラフベースの状態空間モデルを導入する。 学習された表現は、下流の臨床予測と推論に使用される。 MIMIC-IIIおよびMIMIC-IVデータセットを用いた実験は、現在の最先端モデルよりも顕著な性能向上を示し、高次臨床相互作用と長期時間依存性を共同でモデル化することの有効性を示した。

関連論文リスト

• Multimodal Graph-based Classification of Esophageal Motility Disorders [73.90451172929117]
  食道運動障害の診断は,高分解能インピーダンス測定データの複雑化と臨床解釈の多様性が原因で大きな課題となる。 本研究は,HRIM記録と患者固有の情報を組み合わせたマルチモーダル機械学習に基づく分類手法の実現可能性について検討し,食道生理学のグラフベースモデリングを取り入れた。
  論文  参考訳（メタデータ） (2026-05-13T14:52:12Z)
• DT-BEHRT: Disease Trajectory-aware Transformer for Interpretable Patient Representation Learning [29.777694695551606]
  EHR(DT-BEHRT)用疾患軌跡認識変換器 本稿では,臓器内における診断中心の相互作用を明示的にモデル化し,非同期進行パターンを捉えることで,疾患の軌跡を乱すグラフ強化シーケンシャルアーキテクチャを提案する。 複数のベンチマークデータセットの実験では、DT-BEHRTは強い予測性能を示し、臨床医の疾患中心の推論と一致する解釈可能な患者表現を提供する。
  論文  参考訳（メタデータ） (2026-03-10T19:21:40Z)
• TA-RNN-Medical-Hybrid: A Time-Aware and Interpretable Framework for Mortality Risk Prediction [0.9558392439655014]
  提案フレームワークは,予測精度と臨床解釈可能性のギャップを埋めるものである。 これは、確立した医療知識に沿った臨床的に有意義な説明を提供する。 提案するフレームワークは,大規模ICU意思決定支援システムに対して,スケーラブルで透過的なソリューションを提供する。
  論文  参考訳（メタデータ） (2026-03-09T11:49:42Z)
• 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)
• Time-Aware Attention for Enhanced Electronic Health Records Modeling [8.4225455796455]
  TALE-EHR は Transformer ベースのフレームワークで,連続的な時間的ギャップを明示的にモデル化する,新たなタイムアウェアアテンション機構を備えている。 本手法は, 疾患進展予測などのタスクにおいて, 最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-07-20T07:32:41Z)
• Temporal Entailment Pretraining for Clinical Language Models over EHR Data [9.584923572354045]
  臨床領域における言語モデルのための新しい時間的包含事前学習目標を提案する。 本手法は, EHRセグメントを時間的に順序付けられた文対として定式化し, 後の状態が先行状態に関係しているか, 矛盾しているか, 中立であるかを決定するようモデルを訓練する。
  論文  参考訳（メタデータ） (2025-04-25T07:30:38Z)
• Self-Explaining Hypergraph Neural Networks for Diagnosis Prediction [45.89562183034469]
  既存のディープラーニング診断予測モデルと本質的な解釈性は、過去の診断や病院訪問の度に注意重みを割り当てることが多い。 我々は、パーソナライズされた簡潔で忠実な説明を提供するように設計された、自己説明型ハイパーグラフニューラルネットワークモデルSHyを紹介する。 SHyは高次疾患の相互作用を捉え、パーソナライズされた説明として異なる時間的表現型を抽出する。
  論文  参考訳（メタデータ） (2025-02-15T06:33:02Z)
• 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)
• Temporal Cascade and Structural Modelling of EHRs for Granular Readmission Prediction [10.943928059802174]
  本稿では,時間的カスケード関係をモデル化するための新しいモデルMEDCASを提案する。 MEDCASは、訪問タイプと時間ギャップをモデル化する点過程を、注目に基づくシーケンス・ツー・シーケンス学習モデルに統合する。 3つの実世界のEHRデータセットの実験を行い、ttexttMEDCASが両方のタスクで最先端のモデルより優れていることを示した。
  論文  参考訳（メタデータ） (2021-02-04T13:02:04Z)
• Learning Dynamic and Personalized Comorbidity Networks from Event Data using Deep Diffusion Processes [102.02672176520382]
  コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。 電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。 我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
  論文  参考訳（メタデータ） (2020-01-08T15:47:08Z)

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。