論文の概要: CT-HEG: A Bidirectional, Timestamp-Attributed Event Graph for ICU In-Hospital Mortality Prediction - An Architectural Ablation Study

• arxiv url: http://arxiv.org/abs/2608.02663v1
• Date: Sat, 01 Aug 2026 19:10:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-05 15:30:22.879164
• Title: CT-HEG: A Bidirectional, Timestamp-Attributed Event Graph for ICU In-Hospital Mortality Prediction - An Architectural Ablation Study
• Title（参考訳）: CT-HEG: In-Hospital Mortality Predictionのための双方向・タイムスタンプ対応イベントグラフ : 建築的アブレーション研究
• Abstract要約: Continuous-Time Heterogeneous EHR Graph (CT-HEG)は、各ICUを3つのノードタイプを持つ型付きタイムスタンプグラフとしてエンコードする。 MIMIC-IV v3.1で評価した4層ヘテロジニアスGATv2ConvネットワークであるCHIRP-NetとしてCT-HEGをインスタンス化する。
• 参考スコア（独自算出の注目度）: 0.23453441553817042
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate ICU mortality prediction requires modeling irregular clinical observations across heterogeneous entity types. Existing sequence models handle irregular sampling but ignore typed relational structure; existing graph models assume fixed-interval inputs. We introduce the Continuous-Time Heterogeneous EHR Graph (CT-HEG) schema and evaluate which architectural choices drive predictive performance. CT-HEG encodes each ICU stay as a typed, timestamped graph with three node types (visit, vital, lab_event) and 2D edge attributes (t_hours/48, value_norm) encoding timing and value without imputation. We instantiate CT-HEG as CHIRP-Net, a four-layer heterogeneous GATv2Conv network, evaluated on MIMIC-IV v3.1 (31,142 ICU stays, LOS>=48h, 13.4% mortality) with five seeds and bootstrapped confidence intervals, against logistic regression, mTAND, a Transformer, and GRU-D, plus an ablation study. CHIRP-Net achieved 5-seed mean AUROC 0.8449+/-0.0071 (AUPRC 0.4958+/-0.0209); the ensemble achieved AUROC 0.8618 (95% CI: 0.8485-0.8745). Removing reverse edges disconnected observation nodes from the visit readout, cutting AUROC by 0.1968+/-0.0073. Time-attentive edge features contributed 0.0247+/-0.0093 AUROC. Collapsing heterogeneous edge types into one relation (7x fewer parameters) outperformed the full model on all seeds. Post-calibration ECE was 0.0307. Temporal and demographic subgroup analyses were explored but not reported here, pending follow-up work. Bidirectional connectivity was necessary for the model to use its inputs at all, and CT-HEG was reasonably well calibrated after validation-fitted temperature scaling. These results support CT-HEG for irregular EHR data, while external validation, a pre-specified temporal evaluation, and a demographic fairness audit remain necessary before any claim of robustness. Code: https://github.com/nasiruddinstudents-ctrl/chirp-net-mimic-iv.
• Abstract（参考訳）: 正確なICU死亡予測には、異種性エンティティータイプにわたる不規則な臨床観察をモデル化する必要がある。 既存のシーケンスモデルは不規則サンプリングを扱うが、型付きリレーショナル構造は無視する。 本研究では,CT-HEG (Continuous-Time Heterogeneous EHR Graph) スキーマを導入し,どのアーキテクチャ選択が予測性能を向上させるかを評価する。 CT-HEGは、各ICUを3つのノードタイプ(visit, vital, lab_event)と2Dエッジ属性(t_hours/48, value_norm)の型付きタイムスタンプグラフとして符号化する。 MIMIC-IV v3.1 (31,142 ICU stays, LOS>=48h, 13.4% Deaths), 5つの種子とブートストラップされた信頼区間を持つ4層のGATv2ConvネットワークであるCHIRP-NetとしてCT-HEGをインスタンス化し, 対数回帰, mTAND, Transformer, GRU-D, およびアブレーション研究を行った。 CHIRP-Netは5シード平均AUROC 0.8449+/-0.0071(AUPRC 0.4958+/-0.0209)を達成し、AUROC 0.8618(95% CI: 0.8485-0.8745)を達成した。 AUROC を 0.1968+/-0.0073 カットして、観測ノードを訪問読み出しから切り離した。 時間制限エッジは0.0247+/-0.0093 AUROCに寄与した。 不均一なエッジタイプを1つの関係(パラメータが7倍少ない)にまとめることで、すべての種子の完全なモデルより優れていた。 校正後CEは0.0307。 時間的および人口的サブグループ分析は調査されたが、ここでは報告されていない。 モデルが入力を全く使用するためには双方向接続が必要であり、CT-HEGは検証に適合した温度スケーリング後に適度に校正された。 これらの結果は,不規則なERHデータに対するCT-HEGをサポートし,外的検証,時間的評価,人口統計学的公正度監査は,ロバスト性の主張に先立って必要である。 コード:https://github.com/nasiruddinstudents-ctrl/chirp-net-mimic-iv

関連論文リスト

• EGRL: Edge generation-guided relation-aware learning for RNA-protein interaction prediction [41.17218504310278]
  エッジ生成誘導型関係認識学習(EGRL)を提案する。 EGRLはいくつかの重要なコンポーネントを持つ新しいフレームワークである。 4つのベンチマークデータセットの総合的な評価は、EGRLが全体的なパフォーマンスを競争力で達成していることを示している。
  論文  参考訳（メタデータ） (2026-08-13T07:47:44Z)
• The Granularity Paradox: How Temporal Disaggregation Inflates In-Sample Fit and Compounds Out-of-Sample Error [0.0]
  時系列予測における「グラニュラリティパラドックス」は, 時間分解の微細化により, サンプル内診断やデータセットサイズが向上する。 このトレードオフを形式化し、13年間の公開調達データセットを使用して、6つの粒度にわたる10のモデルをベンチマークします。
  論文  参考訳（メタデータ） (2026-07-05T11:52:08Z)
• Reliable Extraction of Clinical Follow-Up Instructions: A Hybrid Neural-Symbolic Pipeline [43.0484058393522]
  我々は,ニューラルシンボリックなハイブリッドパイプラインを直接生成に対して試験する。 本研究は,2000点の合成外用コーパスについて検討した。
  論文  参考訳（メタデータ） (2026-05-26T05:14:33Z)
• Cross-View Attention Fusion Net: A Prior-Guided Dual-View Representation Learning for Cardiac Output Estimation from Short-Term PPG Signals [4.906669147334531]
  CVAF-Net (Cross-View Fusion Network) は、短い長さのPSGセグメントからCO推定を行うための、事前誘導されたデュアルビュー深層学習モデルである。 CVAF-Netは、生PSGを時間ビューとして、特徴系列マップ(FSM)を構造化された事前誘導ビューとして処理し、2つの表現をクロスビューアテンションを通じて融合する。
  論文  参考訳（メタデータ） (2026-05-19T10:59:49Z)
• Differentiable latent structure discovery for interpretable forecasting in clinical time series [38.473526928012724]
  連続時間多タスクガウス過程であるStructGPを導入し, 基本的不確かさを保ちながら, 相違構造学習と相違構造学習を組み合わせ, 相互依存の有向非巡回グラフ(DAG)を導出する。 LP-StructGPは,被験者特異的カップリングフィルタとソフトマックスゲーティング機構を用いて,患者間の進行パターンを捉えることで,StructGPを潜在経路に分割し,時間的に変化する軌跡を増大させる。
  論文  参考訳（メタデータ） (2026-04-30T14:59:50Z)
• Enhanced Graph Convolutional Network with Chebyshev Spectral Graph and Graph Attention for Autism Spectrum Disorder Classification [0.0]
  本稿では,Chebyshev Spectral Graph Convolution and Graph Attention Networks(GAT)を組み込んだGCNモデルを提案する。 このモデルは,1個あたり5,206個の特徴量を持つ5倍の層状クロスバリデーションを用いて訓練される。 大規模な試験では、拡張モデルの優位性を示し、テスト精度は74.82%、AUCは0.82である。
  論文  参考訳（メタデータ） (2025-11-27T07:33:31Z)
• 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)
• Predicting Fetal Outcomes from Cardiotocography Signals Using a Supervised Variational Autoencoder [1.8352113484137627]
  心電図(CTG)信号を妊娠結果に基づいて分類するための教師付き変分オートエンコーダ(VAE)モデルの開発と解釈を行った。
  論文  参考訳（メタデータ） (2025-09-08T10:54:04Z)
• BayesTTA: Continual-Temporal Test-Time Adaptation for Vision-Language Models via Gaussian Discriminant Analysis [41.09181390655176]
  CLIPのような視覚言語モデル(VLM)は、強いゼロショット認識を実現するが、実世界のシナリオに共通する時空間的な分散シフトの下で大幅に劣化する。 テスト分布が時間とともに徐々に変化するCT-TTA(textitContinal-Temporal Test-Time Adaptation)として、この実践的問題を定式化する。 我々は、時間的に一貫した予測を実行し、視覚表現を動的に調整する、ベイズ適応フレームワークであるtextitBayesTTAを提案する。
  論文  参考訳（メタデータ） (2025-07-11T14:02:54Z)
• CRTRE: Causal Rule Generation with Target Trial Emulation Framework [47.2836994469923]
  ターゲットトライアルエミュレーションフレームワーク(CRTRE)を用いた因果ルール生成という新しい手法を提案する。 CRTREは、アソシエーションルールの因果効果を推定するためにランダム化トライアル設計原則を適用している。 次に、病気発症予測などの下流アプリケーションにそのような関連ルールを組み込む。
  論文  参考訳（メタデータ） (2024-11-10T02:40:06Z)
• Continuous time recurrent neural networks: overview and application to forecasting blood glucose in the intensive care unit [56.801856519460465]
  連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。 重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
  論文  参考訳（メタデータ） (2023-04-14T09:39:06Z)
• MSED: a multi-modal sleep event detection model for clinical sleep analysis [62.997667081978825]
  ポリソムノグラムで睡眠イベントを共同検出する,単一のディープニューラルネットワークアーキテクチャを設計した。 モデルの性能は,F1,精度,リコールスコア,および指標値と臨床値との相関で定量化した。
  論文  参考訳（メタデータ） (2021-01-07T13:08:44Z)

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。