論文の概要: X-FEMR: A Token-level Explainable Approach for Electronic Health Records Foundation Models using Transformer-based Models

• arxiv url: http://arxiv.org/abs/2607.06163v1
• Date: Tue, 07 Jul 2026 11:37:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-08 21:24:51.504229
• Title: X-FEMR: A Token-level Explainable Approach for Electronic Health Records Foundation Models using Transformer-based Models
• Title（参考訳）: X-FEMR : トランスフォーマーモデルを用いた電子健康記録基礎モデルのためのToken-level Explainable Approach
• Abstract要約: 電子健康記録の基礎モデル(FEMR)は、大規模に構造化された患者データに基づいて事前訓練されている。 FEMRはブラックボックスモデルのままであり、バイアス、解釈可能性、臨床信頼に関する懸念を高めている。 FEMRのトークンレベルの説明可能性に関する最初のアプローチを提案する。
• 参考スコア（独自算出の注目度）: 15.698368489461984
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Foundation Models for Electronic Health Records (FEMRs) are pretrained on large-scale structured patient data, enabling them to convert longitudinal patient trajectories into generalizable representations for diverse clinical prediction tasks. Despite their effectiveness, FEMRs remain black-box models, raising concerns about bias, interpretability, and clinical trust. To address this, we propose the first token-level explainability approach for FEMRs. We train a Transformer-based surrogate model on input-output pairs from the FEMR across two prediction tasks, approximating its behavior while preserving temporal dynamics. We identify the most influential tokens, providing insights into how FEMRs leverage different aspects of patient history for predictions. To evaluate clinical relevance, we introduce a novel clinical alignment metric that quantifies the correspondence between the surrogate model's key tokens and clinically validated features. Our results demonstrate that the surrogate closely approximates FEMR predictions and that token-level explanations align well with clinical knowledge, offering a practical framework for interpretable and trustworthy clinical AI.
• Abstract（参考訳）: 電子健康記録のための基礎モデル(FEMR)は、大規模に構造化された患者データに基づいて事前訓練されており、様々な臨床予測タスクのために、縦方向の患者軌跡を一般化可能な表現に変換することができる。 その効果にもかかわらず、FEMRはブラックボックスモデルのままであり、バイアス、解釈可能性、臨床信頼に対する懸念を高めている。 そこで本研究では,FEMRのトークンレベルの説明可能性に関する最初のアプローチを提案する。 FEMRから入力-出力ペアに対するトランスフォーマーベースのサロゲートモデルを2つの予測タスクで訓練し、時間的ダイナミクスを保ちながらその挙動を近似する。 我々は最も影響力のあるトークンを特定し、FEMRが患者の歴史の様々な側面を予測に活用する方法についての洞察を提供する。 臨床関連性を評価するために,サロゲートモデルのキートークンと臨床的に検証された特徴との対応性を定量化する新しい臨床アライメント指標を提案する。 以上の結果から,このサロゲートはFEMR予測を近似し,トークンレベルの説明が臨床知識とよく一致していることが示唆された。

関連論文リスト

• Explainable Transformer Models for Clinical Prediction Tasks on Structured Electronic Health Records [0.056212519098516295]
  BERT-LERは、7500万人の患者の特定されていないEHRデータセットから事前訓練および微調整されたEHRタイムラインを符号化したBERTスタイルのモデルである。 提案手法は,一般のEHRShotベンチマークスイートと,実世界データに基づく喘息重症度進行調査に基づいてベンチマークを行った。 我々のアーキテクチャと説明可能性のアプローチは多くの治療領域や予測タスクに適用できる。
  論文  参考訳（メタデータ） (2026-08-20T17:54:17Z)
• Cohort-Anchored Foundation Models for Electronic Health Records: From Risk Scores to Auditable Peer Cohorts [3.299672391663527]
  本稿では,患者コホートを学習パイプライン全体を通じて一級対象に高めるためのコホート・アンコレッド財団モデルフレームワークを提案する。 このフレームワークは、偏差認識データキュレーション、コホート条件付きプレトレーニング、マルチモーダルコホートアライメント、クリニアン・イン・ザ・ループ・リファインメントの4つのステージで構成されている。 心電図による急性腎傷害予測,心血管性リスク層形成,眼神経障害三徴症,網膜電図による報告の4つの臨床症例について検討した。
  論文  参考訳（メタデータ） (2026-06-20T05:14:43Z)
• ReMedi: Reasoner for Medical Clinical Prediction [70.84466325266068]
  EHRによる臨床結果予測を改善するためのフレームワークであるReMediを提案する。 ReMediは、複雑な臨床問題に対する挑戦的なサンプル再生機構を用いて有理応答対を生成する。 複数のEHR予測タスクの実験では、F1スコアで最先端のベースラインを19.9%上回った。
  論文  参考訳（メタデータ） (2026-05-02T14:44:49Z)
• Interpretable Clinical Classification with Kolgomorov-Arnold Networks [70.72819760172744]
  Kolmogorov-Arnold Networks (KAN) は、透明で象徴的な表現を通じて固有の解釈能力を提供する。 Kansは、組み込みの患者レベルの洞察、直感的な可視化、最寄りの患者の検索をサポートする。 これらの結果は、カンを、臨床医が理解し、監査し、行動できる信頼できるAIへの有望なステップと位置づけている。
  論文  参考訳（メタデータ） (2025-09-20T17:21:58Z)
• 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)
• This Patient Looks Like That Patient: Prototypical Networks for Interpretable Diagnosis Prediction from Clinical Text [56.32427751440426]
  臨床実践においては、そのようなモデルは正確であるだけでなく、医師に解釈可能で有益な結果を与える必要がある。 本稿では,プロトタイプネットワークに基づく新しい手法であるProtoPatientを紹介する。 利用可能な2つの臨床データセット上でモデルを評価し、既存のベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-16T10:12:07Z)
• A Multimodal Transformer: Fusing Clinical Notes with Structured EHR Data for Interpretable In-Hospital Mortality Prediction [8.625186194860696]
  臨床ノートと構造化HRデータを融合し,院内死亡率の予測に役立てる新しいマルチモーダルトランスフォーマーを提案する。 そこで本研究では,臨床ノートにおいて重要な単語を選択するための統合的勾配(IG)手法を提案する。 また,臨床 BERT における領域適応型事前訓練とタスク適応型微調整の重要性についても検討した。
  論文  参考訳（メタデータ） (2022-08-09T03:49:52Z)
• What Do You See in this Patient? Behavioral Testing of Clinical NLP Models [69.09570726777817]
  本稿では,入力の変化に関する臨床結果モデルの振る舞いを評価する拡張可能なテストフレームワークを提案する。 私たちは、同じデータを微調整しても、モデル行動は劇的に変化し、最高のパフォーマンスのモデルが常に最も医学的に可能なパターンを学習していないことを示しています。
  論文  参考訳（メタデータ） (2021-11-30T15:52:04Z)
• Literature-Augmented Clinical Outcome Prediction [10.46990394710927]
  EBMとAIベースの臨床モデルとのギャップを埋める技術を導入する。 集中治療(ICU)患者情報に基づいて患者固有の文献を自動的に検索するシステムを提案する。 我々のモデルは,最近の強靭なベースラインと比較して,3つの課題に対する予測精度を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2021-11-16T11:19:02Z)
• Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
  臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。 退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。 複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
  論文  参考訳（メタデータ） (2021-02-08T10:26:44Z)

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。