論文の概要: Context-Aware Optimization of Follow-Up Intervals for Type 2 Diabetes Care Using Markov Decision Processes

• arxiv url: http://arxiv.org/abs/2606.19092v1
• Date: Wed, 17 Jun 2026 14:00:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-18 17:16:51.19159
• Title: Context-Aware Optimization of Follow-Up Intervals for Type 2 Diabetes Care Using Markov Decision Processes
• Title（参考訳）: マルコフ決定プロセスを用いた2型糖尿病治療におけるフォローアップ間隔の文脈対応最適化
• Authors: Parisa Lotfibagha, Kristen Miller, William J. Gallagher, Elizabeth B. Selden, Muge Capan,
• Abstract要約: 慢性疾患の管理は、疾患の進行と制御に定期的なフォローアップに依存している。 現在のガイドラインでは、すべての患者に対するその後のプライマリ・ケア・ビジター間の固定時間間隔を規定している。 本研究では、サブポピュレーション固有のフォローアップ間隔決定を最適化するコンテキストマルコフ決定プロセスモデルを提案する。
• 参考スコア（独自算出の注目度）: 0.15658704610960567
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Chronic disease management relies on regular patient-provider interactions to follow-up on disease progression and control. For Type 2 Diabetes (T2D), current guidelines prescribe fixed time intervals between subsequent primary care visits for all patients, overlooking heterogeneity in clinical trajectories and patient characteristics. This study introduces a Contextual Markov Decision Process (CMDP) model to optimize subpopulation-specific follow-up interval decisions using Electronic Health Record (EHR) data from 22,154 T2D patients across 10 primary care clinics. Contexts are identified by: i) dimensionality reduction of variables representing the individual health trajectories utilizing Principal Component Analysis, and ii) assigning patients to contexts via principal components and additional patient-level features using clustering. Two distinct contexts emerged, representing a lower- and a higher-risk subpopulation. CMDP-derived policies recommend: (i) follow-up within 1 month if lab value at current visit is unmeasured; (ii) up to 3 months for elevated lab values or recent hospitalizations; and (iii) 6 to 12 months for sustained glycemic control, with shorter follow-up intervals for patients in high-risk context. The optimal policies achieved lower expected cumulative cost than benchmarks (e.g., in the higher-comorbidity context, the CMDP policy reduced cost by about 34.8%, and in the lower-comorbidity context by about 6.4%, relative to an American Diabetes Association-like fixed interval follow-up policy. These findings demonstrate how context-aware approaches can inform adaptive follow-up strategies, and have the potential to advance chronic care management in primary care by synthesizing machine learning and probabilistic decision models.
• Abstract（参考訳）: 慢性的な疾患管理は、疾患の進行とコントロールのフォローアップに、定期的な患者とプロデューサの相互作用に依存する。 2型糖尿病(T2D)については, 臨床経過と患者特性の異質性を見越して, 全患者のプライマリケア訪問の時間間隔を定めている。 本研究では,10のプライマリケアクリニックの22,154人のT2D患者のElectronic Health Record(EHR)データを用いて,サブポピュレーション特異的なフォローアップ間隔決定を最適化するコンテキストマルコフ決定プロセス(CMDP)モデルを提案する。 コンテキストは以下の通り。 一 主成分分析を用いた個別の健康軌道を表す変数の次元減少及び 二 患者を主成分及びクラスタリングによる追加の患者レベル特徴を介してコンテキストに割り当てること。 2つの異なる文脈が出現し、低リスクと高リスクのサブポピュレーションを表した。 CMDPが推奨する政策 (i)現在訪問時の検査値が未測定の場合の1月以内のフォローアップ (二)検査値の上昇又は最近の入院に要する3ヶ月、及び (3)血糖コントロールの持続期間は6～12カ月で,高リスクコンテキストの患者ではフォローアップ間隔が短かった。 最適な政策は、ベンチマークよりも期待される累積コスト(例えば、高水準の文脈ではCMDP政策が約34.8%削減し、低水準の政策ではアメリカ糖尿病協会のような固定間隔フォローアップポリシーと比較して約6.4%削減した。 これらの知見は、文脈認識アプローチが適応的フォローアップ戦略にどのように影響を与えるかを示し、機械学習と確率論的決定モデルを合成することにより、プライマリケアにおける慢性的なケア管理を進展させる可能性があることを示している。

関連論文リスト

• From Static Risk to Dynamic Trajectories: Toward World-Model-Inspired Clinical Prediction [61.12883122613684]
  本稿では, 患者固有の縦断疾患の進展を推定し, 代替治療下での軌跡変化を評価するための, 臨床AIにおける介入認識型疾患軌跡モデリングに焦点をあてる。 3つの意思決定タスク(実測,反実推定,政策評価)と3つのデータ生成機構(障害発生, 治療課題, 観察過程)によって, 識別可能性を決定する。 本稿では,個別/連続時間にまたがる予測,反ファクト的軌跡,政策評価の統一的な枠組みを提案する。
  論文  参考訳（メタデータ） (2026-05-16T10:45:26Z)
• 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)
• Cross-Representation Benchmarking in Time-Series Electronic Health Records for Clinical Outcome Prediction [44.23284500920266]
  このベンチマークは、2つの異なる臨床環境におけるデータキュレーションと評価を標準化する。 実験によると、イベントストリームモデルは、常に最強のパフォーマンスを提供する。 特徴選択戦略は臨床環境に適応する必要がある。
  論文  参考訳（メタデータ） (2025-10-10T09:03:47Z)
• Stepwise Fine and Gray: Subject-Specific Variable Selection Shows When Hemodynamic Data Improves Prognostication of Comatose Post-Cardiac Arrest Patients [3.992677070507323]
  心停止後のコマトミー患者の予後は、ICUの臨床的意思決定に直接影響を与える重要な課題である。 本稿では、神経学的結果の予測を改善するために、段階的に動的に競合するリスクモデルを提案する。
  論文  参考訳（メタデータ） (2025-08-08T05:20:30Z)
• 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)
• Enhancing clinical decision support with physiological waveforms -- a multimodal benchmark in emergency care [0.9503773054285559]
  本稿では,救急医療におけるマルチモーダル意思決定支援を推進すべく,データセットとベンチマークプロトコルを提案する。 本モデルでは, 人口統計, バイオメトリックス, バイタルサイン, 検査値, 心電図(ECG)波形を入力として, 放電診断と患者の劣化の双方を予測する。
  論文  参考訳（メタデータ） (2024-07-25T08:21:46Z)
• Predictive and prescriptive analytics for multi-site modelling of frail and elderly patient services [0.0]
  本研究は, 病院病棟におけるベッドとスタッフの能力計画の運用上の課題を, 予測的, 規範的分析手法を用いて解決するものである。 本手法を英国11病院のネットワーク上で165,000人の患者に応用した。 その結果、この統合されたアプローチは、患者LOSの実際の変動を捉え、平均的な計画よりも7%のコスト削減を提供することを示した。
  論文  参考訳（メタデータ） (2023-11-13T12:25:45Z)
• Improving Diffusion Models for ECG Imputation with an Augmented Template Prior [43.6099225257178]
  ノイズと品質の悪い録音は、モバイルヘルスシステムを使って収集された信号にとって大きな問題である。 近年の研究では、確率的時系列モデルによるECGの欠落値の計算が検討されている。 本稿では,様々な健康状態の事前情報として,テンプレート誘導型拡散確率モデル(DDPM)PulseDiffを提案する。
  論文  参考訳（メタデータ） (2023-10-24T11:34:15Z)
• Optimal discharge of patients from intensive care via a data-driven policy learning framework [58.720142291102135]
  退院課題は、退院期間の短縮と退院決定後の退院や死亡のリスクとの不確実なトレードオフに対処することが重要である。 本研究は、このトレードオフを捉えるためのエンドツーエンドの汎用フレームワークを導入し、最適放電タイミング決定を推奨する。 データ駆動型アプローチは、患者の生理的状態を捉えた同種で離散的な状態空間表現を導出するために用いられる。
  論文  参考訳（メタデータ） (2021-12-17T04:39:33Z)
• Estimating Counterfactual Treatment Outcomes over Time Through Adversarially Balanced Representations [114.16762407465427]
  時間とともに治療効果を推定するためにCRN(Counterfactual Recurrent Network)を導入する。 CRNは、患者履歴のバランスの取れた表現を構築するために、ドメイン敵のトレーニングを使用する。 本モデルでは, 正解率の予測と適切な治療時期の選択において, 誤差の低減を図っている。
  論文  参考訳（メタデータ） (2020-02-10T20:47:36Z)

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。