論文の概要: Reconstructing and forecasting disease trajectories of patients with Alzheimer's disease using routine data in resource-constrained settings

• arxiv url: http://arxiv.org/abs/2606.07798v1
• Date: Fri, 05 Jun 2026 19:23:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:05.399399
• Title: Reconstructing and forecasting disease trajectories of patients with Alzheimer's disease using routine data in resource-constrained settings
• Title（参考訳）: 資源制約環境における定期データを用いたアルツハイマー病患者の疾患軌跡の再構築と予測
• Authors: Ratnadeep Das, Atri Chatterjee, Sitikantha Roy,
• Abstract要約: 本稿ではGNOVA: GRU-Neural ODE Variational Autoencoderを提案する。 このアーキテクチャは、変分オートエンコーダフレームワーク内にGated Recurrent UnitエンコーダとNeural ODEデコーダを組み合わせる。 私たちは10年間,ADNIデータセットから1,727人の患者と協力し,CDR-SBとMMSEスコアの平均絶対誤差は1.35と2.28であった。
• 参考スコア（独自算出の注目度）: 0.5097809301149341
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Alzheimer's disease is a progressive neurodegenerative disorder, and its progression varies substantially across patients. Existing work aims to forecast patients' future cognitive state, with minimal focus on reconstructing the state from past visits. Furthermore, in current research, quantifying predictive uncertainty remains underexplored and relies on costly modalities such as MRI, PET, and CSF, limiting their deployment in resource-limited settings. In this research, our primary objectives are: First, bidirectional prediction of cognitive scores from irregular visits to present the complete disease trajectory. Second, to enable interpolation and extrapolation capabilities to assist clinicians in informed prognostic decision making, and third, to provide a well-calibrated uncertainty estimate for all predictions, and finally, to achieve the objectives using the modalities available during routine visits. We propose a unified framework, GNOVA: A GRU-Neural ODE Variational Autoencoder. The architecture combines a Gated Recurrent Unit encoder and a Neural ODE decoder within a variational autoencoder framework. In our work, we forecast the CDR-SB and MMSE Scores. The GRU encoder allows for any number of inputs at any time point. The Neural-ODE decoder performs continuous estimation, allowing interpolation and extrapolation at any desired time point. The Variational autoencoder allows for uncertainty estimation in predictions. We worked with 1,727 patients from the ADNI dataset over 10 years; the model achieved mean absolute errors of 1.35 and 2.28 for CDR-SB and MMSE scores, respectively, without requiring any neuroimaging or biomarker data. Feature-ablation studies revealed that age, BMI, and APOE4 status were strong predictors. The proposed framework enables the reconstruction of incomplete patient histories and the anticipation of future cognitive states.
• Abstract（参考訳）: アルツハイマー病は進行性神経変性疾患であり、その進行は患者によって大きく異なる。 既存の研究は、患者の将来の認知状態を予測することを目的としており、過去の訪問から状態の再構築に最小限の焦点をあてている。 さらに、現在の研究では、予測の不確かさの定量化は未解決のままであり、MRI、PET、CSFのようなコストのかかるモダリティに依存し、リソース制限された設定への展開を制限する。 本研究の主な目的は、まず、不定期訪問による認知スコアの双方向予測を行い、完全な疾患軌跡を提示することである。 第2に、インフォームド・プログノスティックな意思決定において、臨床医を支援する補間・補間機能を有効にし、第3に、全ての予測に対してよく校正された不確実性を推定し、最後に、定期訪問中に利用可能なモダリティを用いて目的を達成する。 本稿ではGNOVA: GRU-Neural ODE Variational Autoencoderを提案する。 このアーキテクチャは、変分オートエンコーダフレームワーク内にGated Recurrent UnitエンコーダとNeural ODEデコーダを組み合わせる。 本研究では,CDR-SBとMMSEスコアの予測を行う。 GRUエンコーダは任意の時点の任意の入力を許可する。 Neural-ODEデコーダは連続的な推定を行い、任意の所望の時点における補間と外挿を可能にする。 変分オートエンコーダは予測における不確実性推定を可能にする。 我々は10年間に1,727人のADNIデータセットの患者と協力し、CDR-SBとMMSEのスコアの平均絶対誤差は1.35と2.28であり、ニューロイメージングやバイオマーカーのデータは不要であった。 比較検討の結果,年齢,BMI,APOE4は強い予測因子であった。 提案手法は,不完全患者履歴の再構築と今後の認知状態の予測を可能にする。

関連論文リスト

• CognitiveTwin: Robust Multi-Modal Digital Twins for Predicting Cognitive Decline in Alzheimer's Disease [0.2566571621858396]
  本稿では,患者固有の認知軌道を予測するデジタルツインフレームワークであるCognitiveTwinを紹介する。 我々は,TADPOLEデータセット中の1,666人のデータを用いて,このフレームワークを訓練し,評価した。
  論文  参考訳（メタデータ） (2026-04-24T10:40:51Z)
• 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)
• Neural Architecture for Fast and Reliable Coagulation Assessment in Clinical Settings: Leveraging Thromboelastography [11.141462411413059]
  リアルタイム凝固モニタリングは、早期発見とリスクの即時修復を可能にする。 従来のトロンボエラストグラフィー(TEG)は、1時間近く測定した後にしかそのような出力が得られない。 本稿では,個人間の動的変化のアドバンテージを考慮に入れた新しいアルゴリズムPSRを提案する。
  論文  参考訳（メタデータ） (2026-01-12T15:03:53Z)
• An Adaptive Machine Learning Triage Framework for Predicting Alzheimer's Disease Progression [12.418201300163545]
  軽度認知障害(MCI)からアルツハイマー病(AD)への転換の正確な予測は、効果的なパーソナライズされた治療を可能にする。 予測された「情報の価値」に基づいて、高度でコストのかかる特徴を選択的に得る2段階の機械学習フレームワークを設計する。 我々のフレームワークは、基本的な機能と高度な機能の両方を使用するモデルに匹敵する0.929のAUROCを達成しながら、高度なテストの必要性を20%削減します。
  論文  参考訳（メタデータ） (2025-11-10T03:57:56Z)
• Forecasting Future Anatomies: Longitudianl Brain Mri-to-Mri Prediction [4.906818291607462]
  ベースライン磁気共鳴画像(MRI)から将来の脳状態を予測することは、ニューロイメージングにおける中心的な課題である。 既存のほとんどのアプローチは、軽度認知障害から認知症への転換など、将来の認知スコアや臨床結果を予測する。 そこで本研究では,数年後に被験者の脳MRI全体を予測する経時的MRI画像から画像への予測について検討する。
  論文  参考訳（メタデータ） (2025-11-04T13:19:58Z)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• Automatic diagnosis of knee osteoarthritis severity using Swin transformer [55.01037422579516]
  変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。 我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
  論文  参考訳（メタデータ） (2023-07-10T09:49:30Z)
• HGIB: Prognosis for Alzheimer's Disease via Hypergraph Information Bottleneck [3.8988556182958005]
  情報ボトルネック戦略(HGIB)に基づく新しいハイパーグラフフレームワークを提案する。 本フレームワークは,無関係な情報を識別することを目的としており,今後のMCI変換予測のための関連情報の調和にのみ焦点をあてている。 我々は、ADNIに関する広範な実験を通じて、提案したHGIBフレームワークが、アルツハイマー病予後のための既存の最先端ハイパーグラフニューラルネットワークより優れていることを実証した。
  論文  参考訳（メタデータ） (2023-03-18T10:53:43Z)
• 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)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)
• 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。