論文の概要: Dysphagia Risk Stratification in Head and Neck Cancer via Two-Stage PRO-Clinical Stacking

• arxiv url: http://arxiv.org/abs/2607.22514v1
• Date: Fri, 24 Jul 2026 17:34:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 20:58:57.195938
• Title: Dysphagia Risk Stratification in Head and Neck Cancer via Two-Stage PRO-Clinical Stacking
• Title（参考訳）: 頭頸部癌における2段階のプロクリニカルスタッキングによる摂食リスクの階層化
• Abstract要約: 摂食障害は頭頸部癌(HNC)治療の遅発性である。 決定的評価は、特殊な装置、訓練された人員、そしてかなりの患者の負担を必要とする、ビデオフルオロスコピック・イメージングに依存する。 患者報告された結果(PROs)は、低コストで、スケーラブルで、臨床現場で容易に収集できる。
• 参考スコア（独自算出の注目度）: 13.262516787411487
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dysphagia is a debilitating late effect of head and neck cancer (HNC) treatment, yet timely identification of at-risk patients remains challenging in survivorship care. Definitive assessment relies on videofluoroscopic imaging, as captured by the Dynamic Imaging Grade of Swallowing Toxicity (CTCAE-DIGEST), which, while validated, requires specialized equipment, trained personnel, and significant patient burden, limiting its routine use in surveillance. Patient-reported outcomes (PROs), by contrast, are low-cost, scalable, and easily collected at any clinical encounter, making them an attractive alternative signal for identifying patients who may warrant further evaluation. However, a clear clinical framework for translating PRO responses into actionable interventions is still evolving. In particular, uncertainty remains regarding when a patient's self-reported symptom burden should prompt escalation of care. This study addresses this gap by formulating a single-visit PRO-clinical prediction framework and introducing a clinically interpretable two-stage stacking model to predict swallowing impairment risk using PRO responses and structured clinical variables, without requiring videofluoroscopic imaging. The proposed framework quantifies the independent contributions of patient-reported symptoms and clinical factors within a unified and interpretable risk assessment model. Our findings demonstrate that individual MDADI responses contain predictive information beyond that captured by composite or global summary scores, while interpretability analyses reveal symptom patterns and clinical risk factors associated with swallowing impairment. Together, these results support the use of structured PRO-clinical integration as a practical, imaging-free approach for dysphagia risk stratification in HNC survivorship.
• Abstract（参考訳）: 摂食障害は頭頸部癌(HNC)治療の遅発性である。 決定的評価は、CTCAE-DIGEST(Dynamic Imaging Grade of Swallowing Toxicity)が捉えたビデオフルオロスコピック・イメージング(英語版)に頼っている。 対照的に、患者報告された結果(PROs)は、低コストで、スケーラブルで、あらゆる臨床現場で容易に収集できるため、さらなる評価を保証できる患者を特定するための魅力的な代替信号である。 しかし、PRO反応を作用可能な介入に変換するための明確な臨床的枠組みはまだ進化していない。 特に、患者の自己申告症状の重荷がいつケアのエスカレーションを促すかについては、不確実性が残っている。 本研究は, 単視のプロ・クリニカル・予測・フレームワークを定式化し, ビデオフルオロスコープ・イメージングを必要とせず, プロ反応と構造的臨床変数を用いて, 飲み込み障害のリスクを予測するための臨床解釈可能な2段階・スタッキング・モデルを導入することにより, このギャップを解消するものである。 本研究の枠組みは,患者が報告した症状と臨床因子の独立した寄与を,統一的かつ解釈可能なリスク評価モデル内で定量化するものである。 以上の結果から,MDADIの個々の反応は,複合的あるいはグローバルな要約スコアによって得られた情報以上の予測情報を含むことが明らかとなった。 これらの結果は,HNCサバイバルシップにおける摂食リスク層形成のための実践的,画像のないアプローチとして,構造化されたプロ・クリニカル統合の活用を支えている。

関連論文リスト

• From Static Risk to Dynamic Trajectories: Toward World-Model-Inspired Clinical Prediction [61.12883122613684]
  本稿では, 患者固有の縦断疾患の進展を推定し, 代替治療下での軌跡変化を評価するための, 臨床AIにおける介入認識型疾患軌跡モデリングに焦点をあてる。 3つの意思決定タスク(実測,反実推定,政策評価)と3つのデータ生成機構(障害発生, 治療課題, 観察過程)によって, 識別可能性を決定する。 本稿では,個別/連続時間にまたがる予測,反ファクト的軌跡,政策評価の統一的な枠組みを提案する。
  論文  参考訳（メタデータ） (2026-05-16T10:45:26Z)
• RAG4Outcome: A Retrieval-Augmented Multimodal Framework for Prognostic Prediction in Chronic Osteomyelitis [8.12645396241252]
  RAG4Outcomeは慢性骨髄炎における予後予測のためのRAGフレームワークである。 本手法では,PET-CT画像診断,構造化外科・診断記録,非構造化追跡記録などの多モード臨床データを統合予測パイプラインに統合する。 実世界の症例に対する予備的な結果は、有望な有効性と臨床的アライメントを示す。
  論文  参考訳（メタデータ） (2026-04-24T19:33:54Z)
• Reliability Auditing for Downstream LLM tasks in Psychiatry: LLM-Generated Hospitalization Risk Scores [5.004814662623874]
  大規模言語モデル(LLM)は、臨床推論やリスクアセスメントにますます活用されている。 しかし、精神医学のような批判的・不決定的な領域における解釈的信頼性は未だ不明である。 本稿では, インシデント設計の影響に関する評価を構造化することで, 下流LLMタスクの信頼性監査を行う手法を提案する。
  論文  参考訳（メタデータ） (2026-04-23T20:42:22Z)
• CURA: Clinical Uncertainty Risk Alignment for Language Model-Based Risk Prediction [10.129412789850239]
  本稿では,臨床用LMに基づくリスク推定と,個々のエラー確率とコホートレベルのあいまいさを一致させる枠組みを提案する。 MIMIC-IV 臨床リスク予測タスクの実験では、CURA は差別を実質的に損なうことなくキャリブレーションの指標を一貫して改善している。
  論文  参考訳（メタデータ） (2026-04-16T05:58:37Z)
• Beyond Prompt: Fine-grained Simulation of Cognitively Impaired Standardized Patients via Stochastic Steering [58.85421622061983]
  認知障害患者の微粒化シミュレーションのためのStsPatientを提案する。 対照的な命令と応答のペアからステアリングベクトルを抽出することにより、ドメイン固有の特徴を捉える。 StsPatientは、臨床の信頼性と重症度の両方において、ベースラインを著しく上回る。
  論文  参考訳（メタデータ） (2026-04-14T02:37:46Z)
• AgentsEval: Clinically Faithful Evaluation of Medical Imaging Reports via Multi-Agent Reasoning [73.50200033931148]
  本稿では,放射線科医の協調診断ワークフローをエミュレートしたマルチエージェントストリーム推論フレームワークであるAgensEvalを紹介する。 評価プロセスを基準定義、エビデンス抽出、アライメント、一貫性スコアなどの解釈可能なステップに分割することで、AgensEvalは明確な推論トレースと構造化された臨床フィードバックを提供する。 実験結果から,AgensEvalは,言い換え,意味的,スタイリスティックな摂動の下でも頑健な臨床的整合性,意味的忠実性,解釈可能な評価を提供することが示された。
  論文  参考訳（メタデータ） (2026-01-23T11:59:13Z)
• Unsupervised risk factor identification across cancer types and data modalities via explainable artificial intelligence [0.0]
  本稿では,患者クラスタ間の生存不均一性を直接最適化する,教師なし機械学習の新しい手法を提案する。 当社のアプローチは,任意のデータモダリティに基づいてニューラルネットワークアーキテクチャをトレーニングし,予後の異なる患者グループを特定するための新しい手法である。 このパン・カンサー・モデルに依存しないアプローチは、臨床リスク層化の貴重な進展を示す。
  論文  参考訳（メタデータ） (2025-06-15T19:11:10Z)
• Adaptable Cardiovascular Disease Risk Prediction from Heterogeneous Data using Large Language Models [70.64969663547703]
  AdaCVDは、英国バイオバンクから50万人以上の参加者を対象に、大規模な言語モデルに基づいて構築された適応可能なCVDリスク予測フレームワークである。 包括的かつ可変的な患者情報を柔軟に取り込み、構造化データと非構造化テキストの両方をシームレスに統合し、最小限の追加データを使用して新規患者の集団に迅速に適応する。
  論文  参考訳（メタデータ） (2025-05-30T14:42:02Z)
• Attention-enabled Explainable AI for Bladder Cancer Recurrence Prediction [0.4369058206183195]
  非浸潤性膀胱癌 (NMIBC) の再発率は70-80%まで上昇した。 各再発は、侵襲的な手順のカスケード、生涯にわたる監視、医療費の増大を引き起こす。 既存の臨床予測ツールには根本的な欠陥が残っており、しばしば再発リスクを過大評価する。
  論文  参考訳（メタデータ） (2025-04-30T20:39:33Z)
• Penalized Deep Partially Linear Cox Models with Application to CT Scans of Lung Cancer Patients [42.09584755334577]
  肺がんは世界中のがん死亡の原因であり、効果的な治療法を設計するための死亡リスクを理解することの重要性を強調している。 NLST(National Lung Screening Trial)は、肺がん患者の死亡リスクを定量化するために、CTテクスチャ解析を用いている。 本稿では,SCADペナルティを組み込んで重要なテクスチャ特徴を抽出し,深層ニューラルネットワークを用いてモデルの非パラメトリック成分を推定する,Pentalized Deep partially Linear Cox Model (Penalized DPLC)を提案する。
  論文  参考訳（メタデータ） (2023-03-09T15:38:16Z)
• 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)
• 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。