論文の概要: Informative Missingness to Generate Irregular Clinical Time Series

• arxiv url: http://arxiv.org/abs/2606.17106v1
• Date: Sun, 14 Jun 2026 13:06:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-17 17:15:32.060017
• Title: Informative Missingness to Generate Irregular Clinical Time Series
• Title（参考訳）: 不規則な臨床時系列を生成するための情報不足
• Abstract要約: 実験室の値と観察パターンを共同でモデル化した臨床時系列を生成するための拡散型アプローチを提案する。 提案手法はTimeDiffフレームワークを拡張して,連続的な実験値と離散的な欠落パターンを学習する。 これらの予備的な結果は,本モデルが臨床基礎モデル開発の初期構成要素となることを示唆している。
• 参考スコア（独自算出の注目度）: 2.48101490870201
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Laboratory tests in electronic health records are collected irregularly, and the absence of a test order can be as informative as the measurement itself. Such missingness reflects clinicians' decisions and patient physiology, making it important to model it directly rather than treat it as a preprocessing artifact. Here we present a diffusion-based approach for generating clinical time series that jointly models laboratory values and their observation patterns using the public Data Analytics Challenge on Missing Data Imputation (DACMI) benchmark derived from MIMIC-III. To preserve realistic sampling, we align chart times into 4-hour intervals and segment admissions into 7-day windows, producing trajectories that pair each lab value with a corresponding observation indicator. Standard transformations and normalization are applied to stabilize training. Our method extends the TimeDiff framework to learn continuous lab values and discrete missingness patterns through complementary diffusion objectives. Experiments show that the generated data closely match real patient trajectories across individual lab distributions and joint value-missingness embeddings, demonstrating that diffusion models can capture clinically meaningful dependencies between patient physiology and clinicians' testing behavior under MNAR-like (missing-not-at-random) missingness. These preliminary results indicate that our model can serve as an initial component toward developing clinical foundation models. By producing synthetic priors that preserve key physiology-missingness relationships, this work motivates the subsequent training of Prior-Data Fitted Networks capable of leveraging informative missingness, which we will investigate in the extended work.
• Abstract（参考訳）: 電子健康記録における実験室試験は不規則に収集され、検査順序の欠如は測定そのものと同じくらい情報的になる。 このような欠如は、臨床医の判断と患者の生理学を反映しており、前処理アーティファクトとして扱うのではなく、直接モデル化することが重要である。 そこで本研究では,MIMIC-IIIから派生したDACMIベンチマークを用いて,実験値とその観察パターンを共同でモデル化した臨床時系列を生成するための拡散型アプローチを提案する。 実際のサンプリングを保存するために、チャートタイムを4時間間隔に整列し、セグメンテーションを7日間の窓に分割し、各実験室の値を対応する観測指標と組み合わせた軌跡を生成する。 標準変換と正規化をトレーニングの安定化に適用する。 提案手法はTimeDiffフレームワークを拡張して,相補的拡散目標を用いて連続実験値と離散的欠落パターンを学習する。 実験の結果, 生成したデータは, 個々の実験室分布の実際の患者軌跡と結合価値損失の埋め込みと密に一致し, 拡散モデルが患者生理学と臨床医の検査行動の臨床的に有意な依存性を, MNAR様(非ランダム)欠損下で捉えることができることが示された。 これらの予備的な結果は,本モデルが臨床基礎モデル開発の初期構成要素となることを示唆している。 本研究は, 重要な生理的欠落関係を保った合成前駆体を創出することにより, 情報的欠落を生かした事前データ適合ネットワークの育成を動機とし, 今後の研究課題について検討する。

関連論文リスト

• Do Pathology Foundation Models Encode Disease Progression? A Pseudotime Analysis of Visual Representations [0.0]
  視覚基礎モデルは、独立した静的観測から連続的なプロセスを表現することを暗黙的に学習できることを示します。 このフレームワークは、静的スナップショットを通じて継続的プロセスが観察される他のドメインに適用できる。
  論文  参考訳（メタデータ） (2026-01-29T06:50:43Z)
• Generative Modeling of Clinical Time Series via Latent Stochastic Differential Equations [0.5753241925582826]
  本稿では,臨床時系列を基礎となる制御力学系の離散時間部分観察とみなす生成的モデリングフレームワークを提案する。 我々のアプローチは、状態推定とパラメータ学習を行いながら、モード依存エミッションモデルを用いたニューラルSDEによる潜時ダイナミクスをモデル化する。 この定式化は自然に観察をサンプリングし、複雑な非線形相互作用を学び、疾患の進行と測定ノイズの相補性を捉える。
  論文  参考訳（メタデータ） (2025-11-20T14:50:49Z)
• Limits of Generative Pre-Training in Structured EMR Trajectories with Irregular Sampling [0.7537475180985093]
  ファンデーションモデルは、複雑なパターンやモチーフをキャプチャするために自動回帰事前トレーニングを使用して、広大なデータセットでトレーニングされたアーキテクチャを指す。 HIVおよび急性低血圧データセットの経時的ART(Sequence-to-Sequence LSTM)とTransformer(reduced Transformer)の2つの自己回帰モデル(Sequence-to-Sequence LSTM)をトレーニングした。 ランダムな視線間ギャップを介してトレーニング中に制御された不規則性が追加されたが、テストシーケンスは完了しなかった。 どちらも特徴分布を再現したが、クロスフィーチャー構造を保存できなかった。
  論文  参考訳（メタデータ） (2025-10-27T00:04:17Z)
• Continuous Temporal Learning of Probability Distributions via Neural ODEs with Applications in Continuous Glucose Monitoring Data [0.0]
  本稿では,連続時間プロセスの進化を捉えたガウス混合に基づく確率モデルを提案する。 本研究は,CGM (Continuous glucose monitoring) 時系列を主要な結果として扱う26週間の臨床試験において,本手法の有用性を概説する。
  論文  参考訳（メタデータ） (2025-05-13T15:57:06Z)
• Memorization and Regularization in Generative Diffusion Models [5.128303432235475]
  拡散モデルは、生成モデリングの強力なフレームワークとして登場した。 この分析は、解析的に抽出可能な最小化器の再生を避けるための正規化の必要性を強調している。 実験は記憶の文脈で評価され、今後の正規化の方向性が強調される。
  論文  参考訳（メタデータ） (2025-01-27T05:17:06Z)
• CTPD: Cross-Modal Temporal Pattern Discovery for Enhanced Multimodal Electronic Health Records Analysis [50.56875995511431]
  マルチモーダルEHRデータから有意な時間的パターンを効率的に抽出するために,CTPD(Cross-Modal Temporal Pattern Discovery)フレームワークを導入する。 提案手法では,時間的セマンティックな埋め込みを生成するためにスロットアテンションを用いて改良された時間的パターン表現を提案する。
  論文  参考訳（メタデータ） (2024-11-01T15:54:07Z)
• Extracting Training Data from Unconditional Diffusion Models [76.85077961718875]
  拡散確率モデル(DPM)は、生成人工知能(AI)の主流モデルとして採用されている。 本研究の目的は,1) 理論解析のための記憶量,2) 情報ラベルとランダムラベルを用いた条件記憶量,3) 記憶量測定のための2つのより良い評価指標を用いて,DPMにおける記憶量の理論的理解を確立することである。 提案手法は,理論解析に基づいて,SIDE (textbfSurrogate condItional Data extract) と呼ばれる新しいデータ抽出手法を提案する。
  論文  参考訳（メタデータ） (2024-06-18T16:20:12Z)
• Data Attribution for Diffusion Models: Timestep-induced Bias in Influence Estimation [53.27596811146316]
  拡散モデルは、以前の文脈における瞬間的な入出力関係ではなく、一連のタイムステップで操作する。 本稿では、この時間的ダイナミクスを取り入れた拡散トラクInについて、サンプルの損失勾配ノルムが時間ステップに大きく依存していることを確認する。 そこで我々はDiffusion-ReTracを再正規化適応として導入し、興味のあるサンプルを対象にしたトレーニングサンプルの検索を可能にする。
  論文  参考訳（メタデータ） (2024-01-17T07:58:18Z)
• T-Phenotype: Discovering Phenotypes of Predictive Temporal Patterns in Disease Progression [82.85825388788567]
  我々は、ラベル付き時系列データから予測時相パターンの表現型を発見するために、新しい時間的クラスタリング手法T-Phenotypeを開発した。 T-フェノタイプは, 評価ベースラインのすべてに対して, 最良の表現型発見性能を示す。
  論文  参考訳（メタデータ） (2023-02-24T13:30:35Z)
• COPER: Continuous Patient State Perceiver [13.735956129637945]
  本研究では,ERHにおける不規則な時系列に対処するため,COPERと呼ばれる新規患者状態パーセンシバーモデルを提案する。 ニューラル常微分方程式(ODE)は、COPERが通常の時系列を生成してPerceiverモデルに供給するのに役立ちます。 提案モデルの性能評価には,MIMIC-IIIデータセット上での院内死亡予測タスクを用いる。
  論文  参考訳（メタデータ） (2022-08-05T14:32:57Z)
• 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)
• Trajectories, bifurcations and pseudotime in large clinical datasets: applications to myocardial infarction and diabetes data [94.37521840642141]
  混合データ型と欠落値を特徴とする大規模臨床データセット分析のための半教師付き方法論を提案する。 この手法は、次元の減少、データの可視化、クラスタリング、特徴の選択と、部分的に順序付けられた観測列における測地距離(擬時)の定量化のタスクを同時に扱うことのできる弾性主グラフの適用に基づいている。
  論文  参考訳（メタデータ） (2020-07-07T21:04:55Z)

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。