論文の概要: A Temporal Machine Learning-Based Time-to-Event Model for Predicting ALS Progression and Healthcare Utilization

• arxiv url: http://arxiv.org/abs/2607.14190v1
• Date: Wed, 15 Jul 2026 16:11:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-17 17:01:32.858556
• Title: A Temporal Machine Learning-Based Time-to-Event Model for Predicting ALS Progression and Healthcare Utilization
• Title（参考訳）: 時間学習に基づくALS進行予測モデルと医療利用
• Abstract要約: 筋萎縮性側索硬化症(ALS)は進行性神経変性疾患である。 我々はALS機能評価尺度(ALSFRS-R)トラジェクトリと生存モデルを統合するフレームワークを開発した。 このフレームワークは、ALS進行とパーソナライズされた意思決定サポートをリンクするためのスケーラブルで解釈可能で、臨床的に実行可能なアプローチを提供する。
• 参考スコア（独自算出の注目度）: 4.920779064186337
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Amyotrophic lateral sclerosis (ALS) is a progressive and heterogeneous neurodegenerative disease in which predicting clinically meaningful milestones, such as assistive device use, remains challenging. We developed a time-to-event, digital-twin-inspired framework that integrates longitudinal ALS Functional Rating Scale-Revised (ALSFRS-R) trajectories with survival modeling to support individualized prediction of functional decline and assistive device utilization. We constructed a harmonized longitudinal dataset by integrating diagnosis records, ALSFRS-R assessments, activities of daily living, and demographic information, followed by preprocessing to ensure data quality, temporal alignment, and cohort consistency. Correlation-based clustering identified coherent functional domains spanning bulbar, upper limb, axial, lower limb, and respiratory systems. Generalized additive mixed models characterized nonlinear, domain-specific functional decline across all domains. In addition, a temporal machine learning model was developed to predict longitudinal functional decline and capture stage-dependent disease progression. Cox proportional hazards modeling further identified lower limb function, particularly walking and stair climbing, as the strongest predictors of earlier wheelchair access. Building on these results, we implemented a digital twin-inspired temporal machine learning-based time-to-event (TTE) model that generates individualized survival curves and dynamically predicts wheelchair-free survival. This framework provides a scalable, interpretable, and clinically actionable approach for linking ALS progression with personalized decision support, with applications in proactive care planning, clinical trial stratification, and precision medicine.
• Abstract（参考訳）: 筋萎縮性側索硬化症(Amyotrophic lateral sclerosis、ALS)は、進行性で異質な神経変性疾患であり、補助装置の使用など、臨床的に有意義なマイルストーンを予測することは依然として困難である。 本研究では,ALS機能評価尺度(ALSFRS-R)トラジェクトリと生存モデルを統合し,機能低下予測と補助装置利用の個別化を支援する。 我々は、診断記録、ALSFRS-R評価、日常生活活動、人口統計情報を統合し、データ品質、時間的アライメント、コホート整合性を確保するために前処理を行った。 相関クラスタリングにより, 球根, 上肢, 軸, 下肢, 呼吸系にまたがるコヒーレントな機能ドメインが同定された。 一般化された添加混合モデルでは、すべての領域で非線形でドメイン固有の機能低下が特徴づけられた。 さらに, 時間的機械学習モデルを用いて, 時間的機能低下を予測し, ステージ依存疾患の進行を捉えた。 コックス比例ハザードモデルにより、より初期の車椅子アクセスの予測因子として下肢機能、特に歩行と階段登頂が同定された。 これらの結果に基づいて、我々は、個別化された生存曲線を生成し、車椅子のない生存率を動的に予測する、デジタルツインインスパイアされた時間的機械学習に基づくTTE(Time-to-event)モデルを実装した。 このフレームワークは、ALS進行とパーソナライズされた意思決定支援を関連付けるためのスケーラブルで解釈可能で、臨床的に実行可能なアプローチを提供し、プロアクティブなケア計画、臨床試験成層化、精密医療に応用する。

関連論文リスト

• NOAH: Learning the Full Patient Journey. A Longitudinal Multimodal Time-Aware Model for Representation and Forecasting [15.183085955033148]
  患者の全旅行を表現・予測する,時間的,タスクに依存しない,生成的トランスフォーマーモデルであるNOAHを紹介する。 NOAHは、医療画像、時系列および数値信号、分類的事象、および構造化され、構造化されていない臨床記録を処理する。 臨床結果の探索において高いパフォーマンスを示す、高情報かつ予測可能な患者の状態表現を生成する。
  論文  参考訳（メタデータ） (2026-09-08T17:56:13Z)
• ChronoSurv: A Clinical Pathway-Guided Graph Framework for Multimodal Survival Analysis [0.0]
  ChronoSurvは、患者ケアを、重要な診断手順に整合した有向グラフを用いて、進行を認識可能な臨床軌跡として表現する。 2つの公開データセットの実験結果は、ChronoSurvが最先端の識別性能を達成することを示した。
  論文  参考訳（メタデータ） (2026-06-17T14:46:47Z)
• Transition-Based Digital Twin Modelling for Alzheimer's Disease under Sparse Longitudinal Data [4.4427416958561405]
  アルツハイマー病(AD)の進行は非常に異質であり、通常はスパースと不規則な経時的データによって観察される。 多モード長手データを用いたAD予測とシナリオベース分析のための個人化ディジタルツインフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-08T15:54:10Z)
• Conditional Neural ODE for Longitudinal Parkinson's Disease Progression Forecasting [51.906871559732245]
  パーキンソン病(PD)は異質で進化する脳形態計測パターンを示す。 これらの縦方向の軌跡をモデル化することで、機械的な洞察、治療の発展、そして個別化された「デジタルツイン」予測が可能になる。 連続的な個人化されたPD進行予測のための新しいフレームワークであるCNODEを提案する。
  論文  参考訳（メタデータ） (2025-11-06T20:16:33Z)
• SurgeryLSTM: A Time-Aware Neural Model for Accurate and Explainable Length of Stay Prediction After Spine Surgery [44.119171920037196]
  選択的脊椎手術における滞在時間(LOS)予測のための機械学習モデルの開発と評価を行った。 我々は,従来のMLモデルと,マスク付き双方向長短期記憶(BiLSTM)であるオペレーショナルLSTMを比較した。 決定係数(R2)を用いて性能を評価し,説明可能なAIを用いて鍵予測器を同定した。
  論文  参考訳（メタデータ） (2025-07-15T01:18:28Z)
• Two-Stage Representation Learning for Analyzing Movement Behavior Dynamics in People Living with Dementia [44.39545678576284]
  本研究では,認知症高齢者の在宅活動データを,2段階の自己指導型学習アプローチによって分析する。 第1段階は、時系列アクティビティを事前訓練された言語モデルによって符号化されたテキストシーケンスに変換する。 このPageRankベクトルは遅延状態遷移をキャプチャし、複雑な振る舞いデータを簡潔な形式に効果的に圧縮する。
  論文  参考訳（メタデータ） (2025-02-13T10:57:25Z)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• 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)
• SANSformers: Self-Supervised Forecasting in Electronic Health Records with Attention-Free Models [48.07469930813923]
  本研究は,医療施設への患者訪問数を予測することにより,医療サービスの需要を予測することを目的とする。 SNSformerは、特定の帰納バイアスを設計し、EHRデータの特異な特徴を考慮に入れた、注意のない逐次モデルである。 本研究は, 各種患者集団を対象とした医療利用予測の修正における, 注意力のないモデルと自己指導型事前訓練の有望な可能性について考察した。
  論文  参考訳（メタデータ） (2021-08-31T08:23:56Z)
• MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
  本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。 我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。 我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
  論文  参考訳（メタデータ） (2020-10-08T15:30:17Z)

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。