論文の概要: Trajectory-Aware Clinical Risk Prediction via Severity-Grounded Knowledge Graphs and Retrieval-Augmented Generation

• arxiv url: http://arxiv.org/abs/2607.18270v1
• Date: Tue, 02 Jun 2026 04:32:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 00:46:13.099792
• Title: Trajectory-Aware Clinical Risk Prediction via Severity-Grounded Knowledge Graphs and Retrieval-Augmented Generation
• Title（参考訳）: 重度周辺知識グラフと検索生成による軌道対応臨床リスク予測
• Abstract要約: 既存の方法では、病気の重症度、治療反応、経過の遅れを捉えることができない。 これらの課題に対処するためにTRACER(trajectory-aware and clinically grounded prediction framework)を提案する。 MIMIC-IIIとMIMIC-IVデータセットの実験は、最先端のベースラインよりも大きな向上を示している。
• 参考スコア（独自算出の注目度）: 5.941613304602188
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While Electronic Health Records (EHRs) offer a wealth of clinical data, effectively augmenting a patient's records with heterogeneous external knowledge to predict the patient's clinical risk remains a significant challenge. Existing methods fail to capture disease severity, treatment responses, and nuanced clinical progression, due to data sparsity and the underutilization of unstructured clinical notes. To address these challenges, we propose TRACER (a trajectory-aware and clinically grounded prediction framework) that (1) constructs a medical knowledge graph enriched with severity information from medical literature, (2) retrieves clinically relevant, severity-weighted paths of a patient's progression from the knowledge graph, (3) extracts clinically relevant events from unstructured clinical notes, and (4) augments patient context with similar peer cases. Experiments on the MIMIC-III and MIMIC-IV datasets demonstrate large gains over state-of-the-art baselines, with up to 28.5% increase in Macro F1 score for the mortality prediction task, and 19.7% increase for the readmission prediction task.
• Abstract（参考訳）: エレクトロニック・ヘルス・レコーズ(EHR)は、豊富な臨床データを提供しているが、患者の臨床リスクを予測するために、効果的に異種外部知識で患者の記録を増強することは大きな課題である。 既存の方法では、データ疎度と非構造的臨床ノートの未使用により、疾患の重症度、治療反応、ニュアンスドな臨床経過を捉えることができない。 これらの課題に対処するため, TRACER (trajectory-aware and clinically grounded prediction framework) を提案し, 1) 医療文献から重篤な情報に富んだ医療知識グラフを構築し, (2) 知識グラフから患者進行の重症度重み付けされた経路を抽出し, (3) 構造化されていない臨床記録から臨床関連事象を抽出し, (4) 患者コンテキストを類似のピアケースに拡張する。 MIMIC-IIIとMIMIC-IVデータセットの実験では、最先端のベースラインよりも大きな増加を示し、死亡予測タスクのマクロF1スコアは最大28.5%、読み出し予測タスクの19.7%増加した。

関連論文リスト

• 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)
• Beyond Traditional Diagnostics: Transforming Patient-Side Information into Predictive Insights with Knowledge Graphs and Prototypes [55.310195121276074]
  本稿では,病気を予測するための知識グラフ,プロトタイプ認識,解釈可能なフレームワークを提案する。 構造化された信頼された医療知識を統合された疾患知識グラフに統合し、臨床的に意味のある疾患のプロトタイプを構築し、予測精度を高めるために対照的な学習を利用する。 臨床的に有効な説明を提供し、患者の物語と密接に一致し、患者中心のヘルスケアデリバリーの実践的価値を強調している。
  論文  参考訳（メタデータ） (2025-12-09T05:37:54Z)
• KAT-GNN: A Knowledge-Augmented Temporal Graph Neural Network for Risk Prediction in Electronic Health Records [0.0]
  KAT-GNNは、リスク予測のための臨床知識と時間ダイナミクスを統合するグラフベースのフレームワークである。 本研究は,Chang Gung Research Database (CGRD) を用いた冠状動脈疾患(CAD)予測とMIMIC-IIIおよびMIMIC-IVデータセットを用いた院内死亡予測の3つのデータセットおよび課題について評価した。
  論文  参考訳（メタデータ） (2025-11-03T05:42:04Z)
• Improving Hospital Risk Prediction with Knowledge-Augmented Multimodal EHR Modeling [12.723098379155838]
  臨床リスク予測のために構造化データと非構造化データをシームレスに統合する統合フレームワークを導入する。 微調整大言語モデル(LLM)は臨床ノートからタスク関連情報を抽出する。 第2段階は構造化されていない表現と構造化データから派生した特徴を組み合わせて最終的な予測を生成する。
  論文  参考訳（メタデータ） (2025-08-04T01:03:16Z)
• Feature-Enhanced Machine Learning for All-Cause Mortality Prediction in Healthcare Data [0.0]
  本研究は,MIMIC-IIIデータベースを用いた全病院死亡予測のための機械学習モデルを評価する。 我々は,バイタルサイン(心拍数,血圧など),実験結果,人口統計情報などの重要な特徴を抽出した。 ランダムフォレストモデルは、AUCの0.94で最高性能を達成し、他の機械学習やディープラーニングのアプローチを著しく上回った。
  論文  参考訳（メタデータ） (2025-03-27T08:04:42Z)
• Reasoning-Enhanced Healthcare Predictions with Knowledge Graph Community Retrieval [61.70489848327436]
  KAREは、知識グラフ(KG)コミュニティレベルの検索と大規模言語モデル(LLM)推論を統合する新しいフレームワークである。 MIMIC-IIIでは最大10.8～15.0%、MIMIC-IVでは12.6～12.7%である。
  論文  参考訳（メタデータ） (2024-10-06T18:46:28Z)
• TrialBench: Multi-Modal Artificial Intelligence-Ready Clinical Trial Datasets [54.98321887435557]
  本稿では, マルチモーダル入力特徴と臨床治験設計における8つの重要な予測課題を網羅した, 精巧にキュレートされた23個のAI対応データセットについて述べる。 データセットのユーザビリティと信頼性を確保するため、各タスクに基本的な検証方法を提供する。 このようなオープンアクセスデータセットが利用可能になることは、臨床試験設計のための高度なAIアプローチの開発を促進することを期待する。
  論文  参考訳（メタデータ） (2024-06-30T09:13:10Z)
• Knowledge Graph Representations to enhance Intensive Care Time-Series Predictions [4.660203987415476]
  提案手法は,ICUデータと医療知識を統合し,臨床意思決定モデルを改善する。 グラフ表現とバイタルサインと臨床報告を組み合わせることで、パフォーマンスを向上させる。 我々のモデルには、知識グラフノードが予測にどのように影響するかを理解するための解釈可能性コンポーネントが含まれています。
  論文  参考訳（メタデータ） (2023-11-13T09:11:55Z)
• Predicting Patient Readmission Risk from Medical Text via Knowledge Graph Enhanced Multiview Graph Convolution [67.72545656557858]
  本稿では,電子健康記録の医用テキストを予測に用いる新しい手法を提案する。 外部知識グラフによって強化された多視点グラフを有する患者の退院サマリーを表現している。 実験により,本手法の有効性が証明され,最先端の性能が得られた。
  論文  参考訳（メタデータ） (2021-12-19T01:45:57Z)
• 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。