論文の概要: Improving Patient Subtyping on Longitudinal Data using Representations from Mamba-based Architecture

• arxiv url: http://arxiv.org/abs/2606.28623v1
• Date: Fri, 26 Jun 2026 21:45:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:15.623181
• Title: Improving Patient Subtyping on Longitudinal Data using Representations from Mamba-based Architecture
• Title（参考訳）: マンバ建築の表現を用いた縦断データに対する患者サブタイピングの改善
• Abstract要約: 本稿では,効率的なEMH表現を学習し,患者サブタイプを拡張できる自己教師型マンバモデルを提案する。 提案したモデルを,公開およびプライベートな実世界のEHRデータセット上で評価し,データを分類する。 本研究は, EHR モデルからの経時的記録に基づいて, 患者の潜伏状況に有意な洞察を与えるものである。
• 参考スコア（独自算出の注目度）: 5.577596968571274
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Effective sub-typing (also known as grouping or clustering) of patients using their electronic health record (EHR) data can greatly inform precision medicine efforts. However, subtyping temporal EHR datasets is known to be challenging due to inherent EHR issues, including complexity and irregularity. In this study, we propose a self-supervised Mamba-based model that learns effective EHR representations and enables enhanced patient subtyping. We evaluate the proposed model on public and private real-world EHR datasets to classify the data based on the available labels and subtype patients based on the representations learned from the model. Through an extensive set of experiments, we demonstrate that our model's design choices lead to better performance compared to competitive baseline models for prediction. Moreover, we evaluate several clustering techniques to demonstrate that our findings offer valuable insights into subtyping patients based on temporal records from EHR models\footnote{Our implementations are available at https://github.com/healthylaife/triplet_mamba.
• Abstract（参考訳）: 電子健康記録(EHR)データを用いた患者の効果的なサブタイピング(グループリングまたはクラスタリングとも呼ばれる)は、精度の高い医療活動に大きな影響を与える。 しかし、時間的EHRデータセットのサブタイプは、複雑さや不規則性を含む固有のEHRの問題のために難しいことが知られている。 本研究では,効率的なEMH表現を学習し,患者サブタイピングを向上する自己教師型マンバモデルを提案する。 提案したモデルを,公開およびプライベートな実世界のEHRデータセット上で評価し,そのモデルから得られた表現に基づいて,利用可能なラベルとサブタイプ患者に基づいてデータを分類する。 幅広い実験を通して、我々のモデルの設計選択が、予測のための競合するベースラインモデルよりも優れた性能をもたらすことを示す。 さらに,EHR モデルからの時間的記録に基づくサブタイピングに関する知見を提供するために,いくつかのクラスタリング手法を評価し,その実装が https://github.com/healthylaife/triplet_mamba で利用可能であることを示す。

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)
• EHR-RAGp: Retrieval-Augmented Prototype-Guided Foundation Model for Electronic Health Records [0.9989630065856642]
  EHRは、豊富な縦断的な患者情報を含み、予測モデリングの応用に広く利用されている。 EHR-RAGpは,多種多様な臨床イベントタイプにまたがって,最も関連性の高い患者履歴を動的に統合する基盤モデルである。
  論文  参考訳（メタデータ） (2026-05-12T16:17:03Z)
• HyMaTE: A Hybrid Mamba and Transformer Model for EHR Representation Learning [5.375639908061981]
  縦型データ表現に適したハイブリッドモデルであるHyMaTE(HyMaTE:HyMaba and Transformer Model for EHR Representation Learning)を提案する。 複数の臨床データセット上の予測タスクでモデルをテストすることにより、HyMaTEがより効果的で、よりリッチで、よりニュアンスに統一されたEHRデータの表現をキャプチャする能力を示す。
  論文  参考訳（メタデータ） (2025-09-28T23:24:15Z)
• 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)
• Recent Advances in Predictive Modeling with Electronic Health Records [71.19967863320647]
  EHRデータを予測モデリングに利用すると、その特徴からいくつかの課題が生じる。 深層学習は、医療を含む様々な応用においてその優位性を示している。
  論文  参考訳（メタデータ） (2024-02-02T00:31:01Z)
• Learnable Prompt as Pseudo-Imputation: Rethinking the Necessity of Traditional EHR Data Imputation in Downstream Clinical Prediction [20.680805655245383]
  EHR分析を支援するための新しいトレーニングプロトコルとして,PAI(Learningable Prompt as Pseudo-Imputation)を提案する。 PAIはもはやインプットデータを導入しないが、ダウンストリームモデルの暗黙の選好を欠落値にモデル化するための学習可能なプロンプトを構築する。
  論文  参考訳（メタデータ） (2024-01-30T07:19:36Z)
• 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)
• TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic Tree-Based Memory Network [54.332862955411656]
  臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。 近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。 本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
  論文  参考訳（メタデータ） (2023-07-19T12:35:09Z)
• On the Importance of Clinical Notes in Multi-modal Learning for EHR Data [0.0]
  電子健康記録データと臨床ノートを併用することにより,患者モニタリングの予測性能が向上することが従来研究で示されている。 EHRデータと臨床ノートを組み合わせることで、最先端のEHRデータモデルよりもパフォーマンスが大幅に向上することを確認した。 次に、臨床医のメモよりも、患者の状態に関するより広い文脈を含むメモのサブセットから、改善がほぼ排他的に生じることを示す分析を行った。
  論文  参考訳（メタデータ） (2022-12-06T15:18:57Z)
• Self-Supervised Graph Learning with Hyperbolic Embedding for Temporal Health Event Prediction [13.24834156675212]
  本稿では,情報フローを組み込んだハイパーボリック埋め込み手法を提案する。 我々は、これらの事前学習された表現をグラフニューラルネットワークに組み込んで、疾患の合併症を検出する。 本稿では,EHRデータを完全に活用する自己教師付き学習フレームワークに,階層型で強化された履歴予測代行タスクを提案する。
  論文  参考訳（メタデータ） (2021-06-09T00:42:44Z)
• Adversarial Sample Enhanced Domain Adaptation: A Case Study on Predictive Modeling with Electronic Health Records [57.75125067744978]
  ドメイン適応を容易にするデータ拡張手法を提案する。 逆生成したサンプルはドメイン適応時に使用される。 その結果,本手法の有効性とタスクの一般性が確認された。
  論文  参考訳（メタデータ） (2021-01-13T03:20:20Z)

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。