論文の概要: THBKG: A Temporal Biomedical Knowledge Graph for Decision-Aligned Clinical Advancement Prediction
- arxiv url: http://arxiv.org/abs/2608.05982v1
- Date: Thu, 06 Aug 2026 12:59:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-07 15:25:20.905683
- Title: THBKG: A Temporal Biomedical Knowledge Graph for Decision-Aligned Clinical Advancement Prediction
- Title（参考訳）: THBKG : 臨床経過予測のための時間的バイオメディカル知識グラフ
- Abstract要約: 不適切なターゲット・ディスリーズリンクは、フェーズIIの障害の40-50%を占める。
既存のバイオメディカル知識グラフでは、証拠プロファイルを過去の日付で組み立てることが許されていない。
本稿では,治療対象の時間的リンクを記述・予測する時間的不均一バイオメディカル知識グラフ(THBKG)を提案する。
- 参考スコア（独自算出の注目度）: 8.036205672683362
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Inadequate target--disease linkage accounts for 40--50\% of Phase~II efficacy failures, so anticipating which programmes will advance would let sponsors back the hypotheses most likely to reach patients. What a programme can be judged on is the evidence that supported its linkage \emph{when it entered the clinic}. No existing biomedical knowledge graph allows that evidence profile to be assembled as of a past date. We present the Temporal Heterogeneous Biomedical Knowledge Graph (THBKG), which describes and predicts therapeutic target--disease links through time: 110,396 entities and 11.1M edges across nineteen relation types, each edge carrying the year its evidence changed, so a pair's profile can be recovered as it stood when its own decision fell due. On this graph we define a decision-aligned benchmark that predicts, for a target--disease pair entering Phase~II, whether it advances to Phase~III on evidence datable before that decision. Graph propagation over the THBKG outranks every direct-evidence reference scored under the same decision-aligned protocol, reaching a relative success of 4.3--4.5 at the top ten pairs per therapeutic area. The gain concentrates on the 72.8\% of pairs with no direct target--disease evidence at their decision point, where a direct-edge model has nothing to read: the encoders still rank five- to sixfold above chance, recovering the signal by propagating over the intervening biology. Adapting a path-based explainer to the decision-time subgraph decomposes each prediction into the evidence landscape behind the hypothesis for explainable prediction. We release the THBKG as a continually updated substrate for studying therapeutic target hypotheses by retrospective validation.
- Abstract（参考訳）: 不適切なターゲット・ディスリーズ・リンクは、第2相=第2相=第2相=第2相=第2相=第2相=第2相=第2相=第2相=第2相=第2相=第2相=第2相=第2相=第2相=第2相=第2相=第2相=第2相=第2相=第2相=第2相=第2相=第2相=第2相=第2相=第2相=第2相=第2相=第2相=第2相=第2相=第2相=第2相=第2相=第2相=第2相=第2相=第2相=第2相=第2相=第2相=第2相=第2相=第2相=第2相=第2相=第2相=第2相=第2相=第2相=第2相=第))))のリスク。
プログラムが判断できるのは、それがクリニックに入ったときにそのリンクを支持した証拠である。
既存のバイオメディカル知識グラフでは、証拠プロファイルを過去の日付で組み立てることが許されていない。
本論文では,19種類の関係型にまたがる110,396のエンティティと11.1Mのエッジを記述・予測する時間的不均一なバイオメディカル知識グラフ(THBKG)について述べる。
このグラフ上では、第3相から第2相へ進入する目標対について、その決定の前に得られた証拠に基づいて第III相へ進入するか否かを予測する決定整合ベンチマークを定義する。
THBKG上のグラフ伝播は、同じ決定整合プロトコルで得られたすべての直接証拠基準を上回り、治療領域当たりの上位10対で4.3-4.5の相対的な成功を達成している。この利得は、直接ターゲットのない72.8 %のペアに集中しており、その決定点では直接エッジモデルが読めない。エンコーダは、それでも5倍から6倍の確率でランク付けし、相互作用生物学を伝播することで信号を回復する。
経路に基づく説明書を決定時間部分グラフに適用すると、各予測は説明可能な予測のために仮説の背後にある証拠の風景に分解される。
本研究は, THBKGを治療標的仮説を再現的検証により研究するための, 継続的に更新された基質としてリリースする。
関連論文リスト
- A Transferable Learned Temporal Prior for Transmission Reconstruction and Decision-Relevant Uncertainty in Real Outbreak Labels [0.0]
アウトブレイクトランスミッションは疫学的タイミングと送信ラベルを決定論的基底真理として扱うが、どちらも体系的に評価されていない。
対象の発症データにアクセスする前に,11家族を対象に,ロジスティック・レグレッション・タイムをトレーニングし,全パラメータをロックし,厳格なアンデスウイルス(ANDV)による29タスクのベンチマークに適合させることなく適用した。
ロックされた平均相反ランク (MRR) 0.571対0.274とTop-1の精度37.9%対13.8%対最高のソーストレーニングされたパラメトリックベースラインである。
論文 参考訳（メタデータ） (2026-06-29T19:19:52Z) - ChronoMedKG: A Temporally-Grounded Biomedical Knowledge Graph and Benchmark for Clinical Reasoning [2.163250547776316]
ChronoMedKGは時間的知識グラフで、13,431の疾患をカバーする460,497個のエビデンスにリンクされた3つ組を含んでいる。
92.7%の同意を得ており、HPOA、Orphadata、およびPhenopacketsから欠落した6,250の病気に時間的根拠を与えている。
これは、これまで欠落していた検索増強臨床システムにとって、重要な時間軸を提供する。
論文 参考訳（メタデータ） (2026-05-21T17:04:28Z) - 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) - Forecasting Medium-Horizon Alzheimer's Disease Progression: Residual Gap-Aware Transformers for 24-Month CDR-SB Change from ADNI Clinical and Biomarker Histories [2.3948878478085938]
CDR-SBによる24カ月間の臨床認知度評価法(CDR-SB)の変化をアンカーベースで解析した。
混合効果統計参照と変圧器に基づく残差学習を組み合わせた残差認識変換器を提案する。
論文 参考訳（メタデータ） (2026-05-04T23:05:28Z) - Benchmarking Multi-turn Medical Diagnosis: Hold, Lure, and Self-Correction [72.89352076103889]
大規模言語モデル (LLM) は, 臨床情報がすべて一ターンで提供される場合に, 高い精度で診断を行う。
1,035例からなる高忠実多ターン診断ベンチマークであるMINTを導入する。
診断決定に大きな影響を及ぼす3つの永続的な行動パターンを明らかにする。
論文 参考訳（メタデータ） (2026-04-06T00:23:10Z) - Dual Model Deep Learning for Alzheimer Prognostication [4.970364068620607]
PROGRESSは単一の脳脊髄液バイオマーカー評価を実行可能な予後推定に変換する。
深層生存モデルでは、軽度認知障害から認知症への転換までの時間を推定する。
コックス比例リスク、ランダムサバイバルフォレスト、および生存予測のための勾配促進法を著しく上回っている。
論文 参考訳（メタデータ） (2025-12-22T07:08:20Z) - Early Prediction of Causes (not Effects) in Healthcare by Long-Term Clinical Time Series Forecasting [11.96384267146423]
臨床変数の時系列予測(TSF)により原因を直接予測することを提案する。
モデルトレーニングは特定のラベルに依存しないため、予測されたデータはコンセンサスベースのラベルを予測するために使用できる。
論文 参考訳（メタデータ） (2024-08-07T14:52:06Z) - SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
セプシスは米国での院内死亡の主な原因である。
既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。
限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-07-24T04:47:36Z) - Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。
そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
論文 参考訳（メタデータ） (2024-04-26T16:39:50Z) - 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) - Bayesian prognostic covariate adjustment [59.75318183140857]
疾患の結果に関する歴史的データは、様々な方法で臨床試験の分析に組み込むことができる。
我々は, 予測モデルからの予後スコアを用いて, 治療効果推定の効率を向上する既存の文献に基づいて構築する。
論文 参考訳（メタデータ） (2020-12-24T05:19:03Z)
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。