論文の概要: HAPI-EP: Towards Hybrid, Adaptive, and Predictive Digital Twins of Cardiac Electrophysiology

• arxiv url: http://arxiv.org/abs/2606.15637v1
• Date: Sun, 14 Jun 2026 06:59:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:33.768653
• Title: HAPI-EP: Towards Hybrid, Adaptive, and Predictive Digital Twins of Cardiac Electrophysiology
• Title（参考訳）: HAPI-EP: 心電気生理学のハイブリッド, 適応, 予測型デジタル双生児を目指して
• Abstract要約: HAPIはハイブリッドで適応的で予測可能なDTを構築するためのAIフレームワークである。 HAPIの機械的ニューラルハイブリダイゼーションと予測適応は、特定可能なDTを得る上で重要であることを示す。
• 参考スコア（独自算出の注目度）: 12.356395656399064
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: A digital twin (DT) of a patient-specific heart offers significant potential in personalized medicine. However, its rapid and dynamic adaptation to an individual's live data and its predictive capability after adaptation remains central challenges. We examine this challenge from its two building blocks: DT formulation where mechanistic and data-driven models show competing merits and limitations, and DT optimization strategies that are largely driven by a reconstruction objective leading to un-identifiable models. We address both bottlenecks via HAPI -- an AI framework for building hybrid, adaptive, and predictive DTs with three key enablers. First, HAPI constructs a physics-integrated gray-box model in which an interpretable mechanistic backbone is augmented by a neural component that models its residual to the observed data. Second, rather than attempting to pre-encode all possible variations in a static hybrid model, HAPI enables rapid on-the-fly adaptation of the hybrid model to few-shot live data, achieved by feedforward meta-learners realizing amortized inference of both mechanistic and neural parameters of the hybrid model trained with predictive objectives. Finally, we show that this adaptivity corresponds to the construction of a conditional generative model (i.e., the hybrid DT) that endows it with theoretical identifiability and thus strong performance in predictive scenarios. We demonstrate the proof-of-concept of HAPI in cardiac electrophysiology using a hybrid monodomain model with mechanistic reaction kinetics and neural graph diffusion. Across synthetic and real-data studies, we show that HAPI's mechanistic-neural hybridization and predictive adaptation are critical for obtaining identifiable DTs with strong predictive and out-of-distribution capabilities.
• Abstract（参考訳）: 患者固有の心臓のデジタル双生児(DT)は、パーソナライズされた医療において大きな可能性を秘めている。 しかしながら、個人のライブデータへの迅速かつダイナミックな適応と、適応後の予測能力は、依然として中心的な課題である。 機械的モデルとデータ駆動モデルが競合する利点と限界を示すDT定式化と、未同定モデルにつながる再構成目的によって主に駆動されるDT最適化戦略の2つからこの課題を考察する。 HAPI – 3つの重要なイネーブラーを備えたハイブリッド、適応、予測DTを構築するためのAIフレームワークである。 まず、HAPIは物理積分グレーボックスモデルを構築し、解釈可能なメカニスティックバックボーンは、観測データに残余をモデル化するニューラルネットワークコンポーネントによって強化される。 第二に、静的ハイブリッドモデルのあらゆるバリエーションをプリエンコードする代わりに、HAPIは、予測目的によって訓練されたハイブリッドモデルの機械的パラメータと神経的パラメータの両方の記憶的推論を実現するフィードフォワードメタラーによって達成された、ハイブリットモデルの数ショットのライブデータへの高速なオンザフライ適応を可能にする。 最後に, この適応性は, 条件付き生成モデル (ハイブリッドDT) の構築に対応し, 理論的識別性や予測シナリオの強い性能を付与することを示す。 心臓電気生理学におけるHAPIの概念実証を,機械的反応速度論と神経グラフ拡散を用いたハイブリッドモノドメインモデルを用いて実証した。 HAPIの機械的ニューラルハイブリダイゼーションと予測適応は, 高い予測能力とアウト・オブ・ディストリビューション能力を持つ識別可能なDTを得る上で重要であることを示す。

関連論文リスト

• Learning Cardiac Electrophysiology Digital Twins Through Agentic Discovery of Hybrid Structure [23.903602726106886]
  心電気生理学領域の知識を構造化行動空間として定式化するフレームワークであるLEADSを提案する。 提案したLEADSは、全ての候補モデルを物理的に接地し、解釈可能で、数値的に安定に設計する。 LEADSは3つの基底構造反応モデルと実際の心EPデータを用いて合成データに対して検証する。
  論文  参考訳（メタデータ） (2026-06-16T16:54:03Z)
• Automatic and Structure-Aware Sparsification of Hybrid Neural ODEs [7.240170769827935]
  機械的ニューラルネットワークにおける状態選択と構造最適化のための新しいパイプラインを提案する。 合成および実世界のデータを用いた実験では、所望の間隔で予測性能と堅牢性が改善された。
  論文  参考訳（メタデータ） (2025-05-25T06:36:30Z)
• Automatically Learning Hybrid Digital Twins of Dynamical Systems [56.69628749813084]
  Digital Twins (DT)は、現実世界のシステムの状態と時間力学をシミュレートする。 DTは、しばしばデータスカース設定で目に見えない条件に一般化するのに苦労します。 本稿では,HDTwinsを自律的に提案し,評価し,最適化するための進化的アルゴリズム(textbfHDTwinGen$)を提案する。
  論文  参考訳（メタデータ） (2024-10-31T07:28:22Z)
• Synthesizing Multimodal Electronic Health Records via Predictive Diffusion Models [69.06149482021071]
  EHRPDと呼ばれる新しいEHRデータ生成モデルを提案する。 時間間隔推定を組み込んだ拡散モデルである。 我々は2つの公開データセットで実験を行い、忠実さ、プライバシー、実用性の観点からEPHPDを評価する。
  論文  参考訳（メタデータ） (2024-06-20T02:20:23Z)
• HyPer-EP: Meta-Learning Hybrid Personalized Models for Cardiac Electrophysiology [7.230055455268642]
  本稿では,個人化された心臓デジタル双生児を記述するための新しいハイブリッド・モデリング・フレームワークを提案する。 そこで我々は,物理系と神経系の両方のコンポーネントを識別するための新しいメタラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-15T02:30:00Z)
• Hybrid$^2$ Neural ODE Causal Modeling and an Application to Glycemic Response [5.754225700181611]
  我々は、最先端の予測性能の早期因果正性を達成する方法を示す。 1型糖尿病患者の運動後の血糖動態をモデル化する難しい課題において、最先端の予測性能を早期に達成する能力を示す。
  論文  参考訳（メタデータ） (2024-02-27T06:01:56Z)
• MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
  本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。 トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。 ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
  論文  参考訳（メタデータ） (2023-10-04T01:36:30Z)
• Synthesize High-dimensional Longitudinal Electronic Health Records via Hierarchical Autoregressive Language Model [40.473866438962034]
  合成電子健康記録は、機械学習(ML)モデリングと統計解析のための実際のEHRの代替として機能することができる。 階層型自己回帰言語mOdel(HALO)を提案する。
  論文  参考訳（メタデータ） (2023-04-04T23:53:34Z)
• Differentiable Agent-based Epidemiology [71.81552021144589]
  GradABM(GradABM)は、エージェントベースのモデリングのためのスケーラブルで微分可能な設計で、勾配に基づく学習と自動微分が可能である。 GradABMは、コモディティハードウェア上で数秒で数百万の人口をシミュレートし、ディープニューラルネットワークと統合し、異種データソースを取り込みます。
  論文  参考訳（メタデータ） (2022-07-20T07:32:02Z)
• Hybrid Feature- and Similarity-Based Models for Prediction and Interpretation using Large-Scale Observational Data [0.0]
  教師付き学習のためのハイブリッド機能と類似性に基づくモデルを提案する。 提案したハイブリッドモデルは,カーネル部分の疎性誘導ペナルティを伴う凸最適化に適合する。 我々は,本モデルと,合成データを用いた特徴的および類似性に基づくアプローチとを比較し,孤独感や社会的孤立のリスクを予測するためにEHRデータを用いた。
  論文  参考訳（メタデータ） (2022-04-12T20:37:03Z)
• Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
  パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。 我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。 次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-18T22:41:51Z)
• A multi-stage machine learning model on diagnosis of esophageal manometry [50.591267188664666]
  このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。 これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
  論文  参考訳（メタデータ） (2021-06-25T20:09:23Z)

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。