論文の概要: Harmonized Interpretable ECG Waveform Features for Robust Cross-Dataset Clinical Prediction

• arxiv url: http://arxiv.org/abs/2607.23412v1
• Date: Sun, 26 Jul 2026 02:04:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.094126
• Title: Harmonized Interpretable ECG Waveform Features for Robust Cross-Dataset Clinical Prediction
• Title（参考訳）: ロバストなクロスデータセット臨床予測のための高調波解釈型心電図波形の特徴
• Abstract要約: 2つの大きなコホート(MIMIC-IVとアルバータコホート)を用いた3つのタスクのクロスデータセット一般化のベンチマークを行った。 ベンダー固有の測定ミスマッチを低減するため,原波形から直接計算した調和的,解釈可能な特徴表現を構築した。 タスク全体では、内部のAUROCは0.79-0.82、クロスデータセットのAUROCは0.74-0.78であり、大きな方向依存のAUPRCシフトは転送中である。
• 参考スコア（独自算出の注目度）: 8.898778301129223
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Electrocardiograms (ECGs) are widely used for cardiovascular risk prediction, yet models often fail to transfer across hospitals because of protocol, population, and measurement differences. We benchmark cross-dataset generalization on three tasks - heart failure classification, 30-day all-cause mortality, and 30-day mortality among sinus-rhythm ECGs - using two large cohorts (MIMIC-IV and the Alberta Cohort). To reduce vendor-specific measurement mismatch, we build a harmonized, interpretable feature representation computed directly from raw waveforms: FeatureDB morphology/heart-rate-variability summaries plus compact time-frequency descriptors (autoregressive and wavelet features). We train XGBoost models on this unified feature space and evaluate with patient-disjoint internal and bidirectional external testing. We pre-specify two hypotheses: (H1) external AUROC retains at least 90% of source-site internal AUROC under transfer, and (H2) internal AUROC of the harmonized feature set stays within 10% of dataset-native machine-measurement models. Across tasks, internal AUROC is 0.79-0.82 and cross-dataset AUROC is 0.74-0.78, with larger and direction-dependent AUPRC shifts under transfer. As an exploratory benchmark, an end-to-end ConvNeXt model trained directly on raw ECG waveforms with age and sex achieves higher internal AUROC, while the harmonized representation remains competitive in relative cross-dataset transfer stability. These findings show that a consistent waveform-derived feature interface preserves performance, supports realistic external validation, and provides a transparent alternative for cross-site clinical prediction.
• Abstract（参考訳）: 心電図(ECG)は、心臓血管のリスク予測に広く用いられているが、プロトコール、人口、測定の違いにより、しばしば病院間での移動に失敗する。 本研究は,心不全分類,30日間の完全死亡,洞リズム心電図の30日間の死亡という3つのタスクにおいて,2つの大きなコホート(MIMIC-IVとAlberta Cohort)を用いてクロスデータセットの一般化をベンチマークした。 ベンダー固有の測定ミスマッチを低減するため、我々は生波形から直接計算される調和された解釈可能な特徴表現を構築した。 我々は,この統合された特徴空間上でXGBoostモデルを訓練し,患者が分離した内部および双方向の外部テストで評価する。 H1) 外部AUROCは、転送中のソースサイト内部AUROCの少なくとも90%を保持し、(H2) 調和した特徴セットの内部AUROCは、データセットネイティブなマシン計測モデルの10%以内に留まる。 タスク全体では、内部のAUROCは0.79-0.82、クロスデータセットのAUROCは0.74-0.78であり、大きな方向依存のAUPRCシフトは転送中である。 探索的ベンチマークとして、年齢と性別で生のECG波形を直接訓練したConvNeXtモデルは、内部AUROCを高い精度で達成し、一方、調和表現は相対的なデータセット間の転送安定性において競争力を維持する。 これらの結果から、一貫した波形に基づく特徴インタフェースは、性能を保ち、現実的な外部バリデーションをサポートし、クロスサイト臨床予測のための透過的な代替手段を提供することが示された。

関連論文リスト

• Anatomy-Change-Aware Bidirectional Selective State-Space Memory for Clinically Deployed Thoracic Radiotherapy Auto-Contouring [0.6439594960617159]
  DAMM-Net++は胸部放射線治療のための2.5Dアーキテクチャである。 これはスライス表面の不整合、小さな低コントラストターゲットの系統的故障、ケースごとの信頼性信号の欠如に対処する。 平均Diceは0.955、HD95は3.78mmで、低コントラストの臓器のリスクが最も高い。
  論文  参考訳（メタデータ） (2026-09-11T11:13:06Z)
• HRVConformer: Neonatal Hypoxic-Ischemic Encephalopathy Classification from the Heart Rate signals [1.2599533416395767]
  本稿では,低酸素性虚血性脳症(HIE)を即時心拍数(HR)信号を用いて分類するための新しいディープラーニングアーキテクチャを提案する。 手作り機能に依存する従来のアプローチとは異なり、HRVConformerは生のHR信号をエンドツーエンドで直接処理する。 実験の結果、HRVコンフォーマーは83.23%のAUCと74.56%の精度を達成した。
  論文  参考訳（メタデータ） (2026-05-25T09:22:11Z)
• A Multimodal Deep Learning Framework for Predicting ICU Deterioration: Integrating ECG Waveforms with Clinical Data and Clinician Benchmarking [1.2938481923855734]
  MDS ICUは、人口統計、バイオメトリックス、バイタルサイン、実験室の値、心電図波形、外科手術、医療機器の使用など、日常的に収集されるデータを融合し、ICU滞在中に継続的な予測支援を提供する統合機械学習フレームワークである。 我々は,心電図波形の構造化状態空間S4エンコーダと多層パーセプトロンRealMLPエンコーダを組み合わせた深層学習アーキテクチャを訓練し,死亡率,臓器機能障害,治療ニーズ,急性劣化の33例を共同で予測した。 分析の結果、予測されたリスクと観測されたリスクの密接な一致を示し、ECG波形統合による一貫した利得を示した。
  論文  参考訳（メタデータ） (2026-01-10T18:11:12Z)
• ECG-RAMBA: Zero-Shot ECG Generalization by Morphology-Rhythm Disentanglement and Long-Range Modeling [0.6875312133832079]
  ECG-RAMBAは、形態学とリズムを分離し、文脈認識融合を通じてそれらを再統合するフレームワークである。 PTB-XLで一貫したクロスデータセット性能を示す。
  論文  参考訳（メタデータ） (2025-12-29T10:14:52Z)
• Cross-Sample Augmented Test-Time Adaptation for Personalized Intraoperative Hypotension Prediction [45.67071315035565]
  術中低血圧は外科的危険を伴うが、患者固有の変動性のために正確な予測は困難である。 CSA-TTA(Cross-Sample Augmented Test-Time Adaptation framework)を提案する。 提案したCSA-TTAを,現在最先端の時系列予測モデルと統合することで,VitalDBデータセットと実世界のインホスピタルデータセットの両方で評価する。
  論文  参考訳（メタデータ） (2025-12-12T08:02:37Z)
• ActiTect: A Generalizable Machine Learning Pipeline for REM Sleep Behavior Disorder Screening through Standardized Actigraphy [1.2106870940376342]
  分離眼球運動睡眠行動障害(iRBD)は、$$-synucleinopathiesの主因である。 手首のアクティメータは、大規模なスクリーニングにおいてRBDを検出する大きな可能性を秘めている。 本研究では,アクティグラフ記録からRBDを同定するオープンソース機械学習ツールであるActiTectを提案する。
  論文  参考訳（メタデータ） (2025-11-07T13:18:20Z)
• AttentiveGRUAE: An Attention-Based GRU Autoencoder for Temporal Clustering and Behavioral Characterization of Depression from Wearable Data [46.262619407930266]
  本稿では,時間的クラスタリングと縦型ウェアラブルデータによる結果の予測を目的とした,新しい注意型ゲートリカレントユニット(GRU)オートエンコーダであるAttentiveGRUAEを提案する。 372名(GLOBEM 2018-2019)の長期睡眠データからAttentiveGRUAEを評価する。 これは、クラスタリングの品質と抑うつの分類の両方において、ベースラインクラスタリング、ドメイン指向の自己教師付きモデル、および改善されたモデルよりも優れたパフォーマンスを示す。
  論文  参考訳（メタデータ） (2025-10-02T20:52:16Z)
• A Novel Attention-Augmented Wavelet YOLO System for Real-time Brain Vessel Segmentation on Transcranial Color-coded Doppler [49.03919553747297]
  我々は,脳動脈を効率よく捉えることができるAIを利用したリアルタイムCoW自動分割システムを提案する。 Transcranial Color-coded Doppler (TCCD) を用いたAIによる脳血管セグメンテーションの事前研究は行われていない。 提案したAAW-YOLOは, 異方性および対側性CoW容器のセグメンテーションにおいて高い性能を示した。
  論文  参考訳（メタデータ） (2025-08-19T14:41:22Z)
• rECGnition_v2.0: Self-Attentive Canonical Fusion of ECG and Patient Data using deep learning for effective Cardiac Diagnostics [0.56337958460022]
  この研究は、MIT-BIH Arrhythmia データセットを用いて、様々な不整脈のクラスに対する rECGnition_v2.0 の効率を評価する。 rECGnition_v2.0のコンパクトなアーキテクチャフットプリントは、トレーニング可能なパラメータがより少ないことで特徴付けられ、解釈可能性やスケーラビリティなどいくつかの利点を解き放った。
  論文  参考訳（メタデータ） (2025-02-22T15:16:46Z)
• 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)
• Generalizing electrocardiogram delineation: training convolutional neural networks with synthetic data augmentation [63.51064808536065]
  ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。 まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。 第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
  論文  参考訳（メタデータ） (2021-11-25T10:11:41Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)

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。