論文の概要: CardioMeta: Calibrated Multi-Task Prediction of Diabetes, Hypertension, and Cardiovascular Disease Across Population and EHR Data

• arxiv url: http://arxiv.org/abs/2607.15721v1
• Date: Fri, 17 Jul 2026 07:55:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-20 17:56:52.787089
• Title: CardioMeta: Calibrated Multi-Task Prediction of Diabetes, Hypertension, and Cardiovascular Disease Across Population and EHR Data
• Title（参考訳）: CardioMeta: 糖尿病, 高血圧, 心血管疾患の多面的予測
• Abstract要約: 本稿では,糖尿病,高血圧,心血管疾患の同時予測のための校正マルチタスクフレームワークであるCardioMetaについて述べる。 CardioMetaは、共有心筋代謝エンコーダと疾患特異的ゲートヘッドとホック後の確率キャリブレーションを組み合わせる。 このモデルは0.839のマクロAUROC、0.536のマクロAUPRC、0.614のマクロF1、0.024のキャリブレーション誤差を達成した。
• 参考スコア（独自算出の注目度）: 1.2999518604217852
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cardiometabolic diseases remain among the most persistent drivers of preventable morbidity because diabetes, hypertension, and cardiovascular disease frequently co-occur and share metabolic, vascular, demographic, and behavioral determinants. Existing machine learning studies for chronic disease prediction often emphasize discrimination on a single dataset, while underreporting label leakage, calibration, temporal robustness, external transportability, and subgroup reliability. This paper presents CardioMeta, a calibrated multi-task framework for joint prediction of diabetes, hypertension, and cardiovascular disease across population survey and electronic health record (EHR) data. The study uses NHANES for population-level model development and temporal validation, and MIMIC-IV for EHR-domain evaluation under substantial distribution shift. To reduce circular label reconstruction, the primary analysis excludes disease-defining variables from the corresponding prediction heads, while a full-clinical feature setting is retained only as sensitivity analysis. CardioMeta combines a shared cardiometabolic encoder with disease-specific gated heads and post-hoc probability calibration. In the leakage-reduced temporal validation setting, the model achieved a macro-AUROC of 0.839, macro-AUPRC of 0.536, macro-F1 of 0.614, and expected calibration error of 0.024, with modest but consistent improvements over strong gradient-boosting and neural tabular baselines. External evaluation on MIMIC-IV showed clear degradation under domain shift, while limited fine-tuning partially recovered performance. The findings indicate that the principal value of multi-task cardiometabolic modeling lies not in inflated accuracy, but in reproducible leakage control, calibrated probabilities, and transparent reliability reporting across heterogeneous healthcare data sources.
• Abstract（参考訳）: 糖尿病、高血圧症、心血管疾患は、しばしば代謝、血管系、人口動態、行動決定因子を共起し共有するため、心臓メタボリック病は予防可能な致死性の最も永続的な要因である。 既存の機械学習による慢性疾患予測の研究は、ラベルの漏洩、校正、時間的堅牢性、外部輸送性、サブグループの信頼性を過小評価しながら、単一のデータセットの識別を強調していることが多い。 本稿では,人口調査および電子健康記録(EHR)データを用いた糖尿病,高血圧,心血管疾患の同時予測のための校正マルチタスクフレームワークであるCardioMetaについて述べる。 本研究は,人口レベルのモデル開発と時間的検証に NHANES を用い,実質的な分布シフトの下での EHR ドメイン評価に MIMIC-IV を用いた。 円形ラベルの再構成を低減するため、一次解析では、疾患定義変数を対応する予測ヘッドから除外し、フルクリニカル特徴設定は感度解析としてのみ保持する。 CardioMetaは、共有心筋代謝エンコーダと疾患特異的ゲートヘッドとホック後の確率キャリブレーションを組み合わせる。 リーク低減時間検証設定では、このモデルは0.839のマクロAUROC、0.536のマクロAUPRC、0.614のマクロF1、0.024のキャリブレーション誤差を達成した。 MIMIC-IVの外部評価では、領域シフト下では明らかに劣化し、微調整は部分的に回復した。 以上の結果から,マルチタスク心メタボリックモデリングの主な価値は,再現可能な漏洩制御,校正確率,不均一な医療データソース間の透過的信頼性の報告にあると考えられた。

関連論文リスト

• PUNCH: Physics-informed Uncertainty-aware Network for Coronary Hemodynamics [8.812266680285369]
  標準血管造影から冠血流量を直接推定するための非診断・不確実性認識フレームワークを提案する。 このシステムは、コントラスト輸送の第一原理モデルから冠血流を推定するために、物理インフォームドニューラルネットワークと変分推論を統合している。 パイプラインは、患者1人あたり約3分で、1つのGPU上で動作し、人口レベルのトレーニングは行わない。
  論文  参考訳（メタデータ） (2026-01-23T21:47:23Z)
• Residual GRU+MHSA: A Lightweight Hybrid Recurrent Attention Model for Cardiovascular Disease Detection [1.267904597444312]
  臨床記録のためのコンパクトなディープラーニングアーキテクチャであるMulti-Head Self-Attentionを用いたResidual GRUを提案する。 5倍層状クロスバリデーションを用いたUCI心疾患データセットのモデルについて検討した。 提案モデルでは, 0.861, 0.860のマクロF1, 0.908のROC-AUC, 0.904のPR-AUCが全ベースラインを上回る精度で達成されている。
  論文  参考訳（メタデータ） (2025-12-16T16:33:59Z)
• LGE-Guided Cross-Modality Contrastive Learning for Gadolinium-Free Cardiomyopathy Screening in Cine CMR [51.11296719862485]
  CMRを用いたガドリニウムフリー心筋症スクリーニングのためのコントラシブラーニングおよびクロスモーダルアライメントフレームワークを提案する。 CMRとLate Gadolinium Enhancement (LGE) 配列の潜伏空間を整列させることにより, 本モデルでは線維症特異的な病理組織をCMR埋め込みにエンコードする。
  論文  参考訳（メタデータ） (2025-08-23T07:21:23Z)
• Detection of Autonomic Dysreflexia in Individuals With Spinal Cord Injury Using Multimodal Wearable Sensors [2.208475400165877]
  自律神経障害 (AD) は、脊髄損傷者(SCI)の突然の血圧急上昇を特徴とする生命予後の1つである。 本研究では,マルチモーダルウェアラブルセンサを用いたAD検出のための非侵襲的,説明可能な機械学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-23T21:18:23Z)
• MOSCARD -- Causal Reasoning and De-confounding for Multimodal Opportunistic Screening of Cardiovascular Adverse Events [3.206697649226124]
  MACE(Major Adverse Cardiovascular Events)は、2021年のGlobal Disease Studyで報告された、世界の死亡率の主要な原因である。 機会論的スクリーニングは、定期的な健康チェックから収集されたデータを活用し、マルチモーダルデータはリスクのある個人を特定する上で重要な役割を果たす。 そこで我々は,MOSCARD(MOSCARD, Multimodal causal reasoning with co-attention)という新たな予測モデリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-23T22:28:37Z)
• Manifold Learning for Personalized and Label-Free Detection of Cardiac Arrhythmias [0.9208007322096533]
  我々は, 非線形次元減少 (NLDR) は心電図信号の医学的特徴に適応できることを示した。 MIT-BIHデータセットのMLIIおよびV1リードを用いて、NLDRが心臓モニタリングに大いに期待できることを実証した。
  論文  参考訳（メタデータ） (2025-06-19T17:39:57Z)
• Finetuning and Quantization of EEG-Based Foundational BioSignal Models on ECG and PPG Data for Blood Pressure Estimation [46.36100528165335]
  光胸腺撮影と心電図は、連続血圧モニタリング(BP)を可能にする可能性がある。 しかし、データ品質と患者固有の要因の変化のため、正確で堅牢な機械学習(ML)モデルは依然として困難である。 本研究では,1つのモータリティで事前学習したモデルを効果的に利用して,異なる信号タイプの精度を向上させる方法について検討する。 本手法は, 拡張期BPの最先端精度を約1.5倍に向上し, 拡張期BPの精度を1.5倍に向上させる。
  論文  参考訳（メタデータ） (2025-02-10T13:33:12Z)
• Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
  そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。 我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。 この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
  論文  参考訳（メタデータ） (2023-02-16T17:06:23Z)
• Evaluating Probabilistic Classifiers: The Triptych [62.997667081978825]
  本稿では,予測性能の異なる相補的な側面に焦点をあてた診断グラフィックのトリチチを提案し,研究する。 信頼性図は校正に対処し、受信動作特性(ROC)曲線は識別能力を診断し、マーフィー図は全体的な予測性能と価値を視覚化する。
  論文  参考訳（メタデータ） (2023-01-25T19:35:23Z)
• Towards Reliable Medical Image Segmentation by Modeling Evidential Calibrated Uncertainty [57.023423137202485]
  医用画像のセグメンテーションの信頼性に関する懸念が臨床医の間で続いている。 本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。 主観的論理理論を活用することで、医用画像分割の確率と不確実性を明示的にモデル化する。
  論文  参考訳（メタデータ） (2023-01-01T05:02:46Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)

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。