論文の概要: EHR-MPC: Inference-Time Control for Sepsis Treatment with Generative Patient Digital Twins

• arxiv url: http://arxiv.org/abs/2607.08793v2
• Date: Mon, 13 Jul 2026 15:31:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 17:47:21.270144
• Title: EHR-MPC: Inference-Time Control for Sepsis Treatment with Generative Patient Digital Twins
• Title（参考訳）: EHR-MPC: 先天性デジタル双生児の敗血症治療における推論時間制御
• Abstract要約: 既存の強化学習アプローチは、敗血症治療のための固定戦略を学ぶ。 EHRMPCは,患者動態を最適な治療から切り離すフレームワークである。
• 参考スコア（独自算出の注目度）: 3.229417465367373
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sepsis is a leading cause of mortality, yet optimal treatment policies remain contested. Existing reinforcement learning (RL) approaches learn fixed strategies for sepsis treatment, limiting adaptability to changing clinical objectives during inference. We propose EHRMPC, a framework that decouples learning patient dynamics from optimizing treatment by training a patient digital twin in the form of a generative electronic health record (EHR) model. The digital twin predicts clinical trajectories under interventions and enables model predictive control (MPC) to optimize treatments via inference-time planning over simulations. We evaluate EHR-MPC on a multicenter ICU sepsis cohort spanning 8 hospitals in the Mass General Brigham health system using both off-policy importance sampling and on-policy simulation-based evaluation. Relative to RL baselines, EHR-MPC achieves comparable off-policy performance and improved simulation performance. Unlike RL, this work frames sepsis treatment optimization as inference-time control over learned patient dynamics, establishing a general framework for decision making with generative clinical models.
• Abstract（参考訳）: セプシスは死亡の主な原因であるが、最適な治療方針はいまだに争われている。 既存の強化学習(RL)アプローチは、敗血症治療のための固定された戦略を学習し、推論中の臨床目的の変化への適応性を制限する。 EHRMPCは、患者デジタル双生児を生成電子健康記録(EHR)モデルとして訓練することにより、患者力学を最適に扱うことから分離するフレームワークである。 デジタルツインは、介入中の臨床軌道を予測し、モデル予測制御(MPC)により、シミュレーションによる推論時間計画による治療の最適化を可能にする。 プライマリ・プライバシ・サンプリングとオン・ポリシー・シミュレーションによる評価を併用し,メソジアン・ブリガム・ヘルス・システム内の8病院にまたがる多施設間ICUセプシスコホートを用いたERH-MPCの評価を行った。 RLベースラインとは対照的に、EHR-MPCは、同等のオフポリシー性能を達成し、シミュレーション性能を向上する。 RLとは異なり、この研究は、敗血症治療の最適化を学習患者力学の推論時間制御として捉え、生成的臨床モデルによる意思決定のための一般的な枠組みを確立する。

関連論文リスト

• Enhancing Personalized Bladder Cancer Treatment Through Reinforcement Learning: A Recurrent Patient State Transition Decision Support Framework [0.0]
  膀胱がん治療にはパーソナライズされた適応的な意思決定が必要である。 本稿では,膀胱癌治療計画のための再発患者の状態遷移シミュレーションフレームワークを提案する。 予測状態遷移モデリングとMarkov Decision Process(MDP)とDeep Q-Network(DQN)強化学習環境を統合する。
  論文  参考訳（メタデータ） (2026-07-18T18:16:44Z)
• CT-CLIP Representations for Multimodal Lung Cancer Survival Prediction [6.141870006905838]
  本研究では,データ制約のある臨床環境において,ドメイン固有基盤モデルからの表現をマルチモーダル生存予測に利用できるかを評価する。 肺がん診断242例のCT-CLIPを前処理CT画像の特徴抽出装置として評価した。
  論文  参考訳（メタデータ） (2026-07-09T14:00:14Z)
• Agentifying Patient Dynamics within LLMs through Interacting with Clinical World Model [57.78184285979881]
  敗血症治療推奨のための世界モデル拡張LDMエージェントであるSepsisAgentを紹介する。 SepsisAgentは、学習された臨床世界モデルを使用して、候補の流体圧薬の介入下での患者の反応をシミュレートする。
  論文  参考訳（メタデータ） (2026-05-14T11:50:00Z)
• 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)
• Optimizing Hospital Capacity During Pandemics: A Dual-Component Framework for Strategic Patient Relocation [0.0]
  本研究は,患者の転院戦略を通じて病院の収容能力を最適化するための2つの枠組みを提案する。 第1の構成要素は、患者到着率を予測する時系列予測モデルの開発である。 2つ目は、異なる患者移動戦略の影響を評価するシミュレーションモデルである。
  論文  参考訳（メタデータ） (2026-03-16T22:22:10Z)
• PREBA: Surgical Duration Prediction via PCA-Weighted Retrieval-Augmented LLMs and Bayesian Averaging Aggregation [51.96735866702332]
  PreBAはPCA重み付き検索とベイズ平均アグリゲーションを統合した検索拡張フレームワークである。 例えば、PreBAはパフォーマンスを大幅に改善し、MAEを最大40%削減し、ゼロショット推論でR2を-0.13から0.62に引き上げる。
  論文  参考訳（メタデータ） (2026-02-27T07:19:23Z)
• TECM*: A Data-Driven Assessment to Reinforcement Learning Methods and Application to Heparin Treatment Strategy for Surgical Sepsis [20.372045640927993]
  本研究は,外科的敗血症患者に対するヘパリン療法を最適化するための,データ駆動型尺度と連続報酬関数を提案する。 腹腔鏡下手術を施行したUFH(unfractionated heparin)を施行した。
  論文  参考訳（メタデータ） (2025-12-02T08:38:07Z)
• Realistic CDSS Drug Dosing with End-to-end Recurrent Q-learning for Dual Vasopressor Control [37.613456891934085]
  集中治療室 (ICU) 患者に対して, 薬物服用を最適に学習するためのエンドツーエンドアプローチを開発し, 抗敗血症性ショックに対する治療方針について検討した。 現実的な薬物服用には、離散的、連続的、指向的な服用戦略に対応するアクション空間設計を適用する。 提案手法は,既存の臨床プロトコルと整合しながら,生存率15%以上の改善を達成している。
  論文  参考訳（メタデータ） (2025-10-01T23:02:00Z)
• SoC-DT: Standard-of-Care Aligned Digital Twins for Patient-Specific Tumor Dynamics [13.83306392535935]
  スタンダード・オブ・ケア(SoC)療法下での腫瘍軌跡の正確な予測は、腫瘍学において大きな未解決の課題である。 反応拡散腫瘍成長モデルを統一する微分可能なフレームワークであるStandard-of-Care Digital Twin(SoC-DT)を紹介する。 また, SoC 処理時の安定性, 肯定性, スケーラビリティを確保するために, 暗黙的に指数関数的な時間差解決器 IMEX-SoC も提案されている。
  論文  参考訳（メタデータ） (2025-09-29T04:14:11Z)
• Medical World Model: Generative Simulation of Tumor Evolution for Treatment Planning [50.16114813279694]
  臨床診断に基づいて将来の疾患状態を視覚的に予測する医用世界モデル(MeWM)を紹介する。 MeWMは、(i)政策モデルとして機能する視覚言語モデルと、(ii)ダイナミックスモデルとして腫瘍生成モデルから構成される。 シミュレーション後腫瘍に対する生存解析を適用した逆ダイナミクスモデルを提案し,治療効果の評価と最適な臨床行動計画の選択を可能にした。
  論文  参考訳（メタデータ） (2025-06-02T23:50:40Z)
• 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。