論文の概要: QuanTiMedAI: Quantum-Enhanced Time-Series Model guided by Agentic AI for Cardiac Arrest Mortality Prediction

• arxiv url: http://arxiv.org/abs/2608.06294v1
• Date: Thu, 06 Aug 2026 17:18:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-07 15:25:20.976228
• Title: QuanTiMedAI: Quantum-Enhanced Time-Series Model guided by Agentic AI for Cardiac Arrest Mortality Prediction
• Title（参考訳）: QuanTiMedAI:心停止死亡予測のためのエージェントAIによる量子強化時系列モデル
• Abstract要約: 心停止死亡予測のために開発された量子エージェントフレームワークであるQuanTiMedAIを紹介する。 提案システムは,臨床情報に基づく特徴発見のためのエージェント型大規模言語モデル(LLM)と,時間性を考慮した死亡予測のためのコンパクトな量子リカレントネットワークを組み合わせる。
• 参考スコア（独自算出の注目度）: 1.2468700211588881
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cardiac arrest remains one of the most lethal conditions encountered in intensive care units. Despite the growing availability of electronic health record data, existing mortality prediction studies in this population largely depend on static summaries derived from early admission. Such approaches ignore the temporal progression of physiological deterioration and recovery that unfolds throughout a patient's ICU stay. To address this limitation, we introduce QuanTiMedAI, a quantum-agentic framework developed for cardiac arrest mortality prediction using agentic AI guided quantum enhancement time series model. The proposed system combines an agentic large language model (LLM) for clinically informed feature discovery with a compact quantum recurrent network for temporality aware mortality prediction. Our findings demonstrate that agentic LLM-guided feature selection consistently outperforms conventional feature selection approaches, and the proposed quantum architecture achieves competitive predictive performance through nonlinear feature enhancement while keeping the number of parameters very low. Through extensive experimentation on a MIMIC-IV cohort of cardiac arrest patients, QuanTiMedAI's quantum-enhanced architecture attains an AUROC of 0.852 using only 605 parameters, an improvement of approximately 2.9\% over a current state-of-the-art baseline for this task. A structured ablation study systematically validates the contribution of each architectural design choice. These results show that quantum-enhanced sequential modeling can exceed classical recurrent networks while using substantially fewer parameters.
• Abstract（参考訳）: 心停止は、集中治療室で最も致命的な状態の1つである。 電子健康記録データの増加にもかかわらず、この人口の既存の死亡予測研究は、早期の入院に由来する静的な要約に大きく依存している。 このようなアプローチは、患者のICU滞在中に広がる生理的劣化と回復の時間的進行を無視している。 この制限に対処するために,エージェントAI誘導量子エンハンスメント時系列モデルを用いた心停止死亡予測のための量子エージェントフレームワークQuanTiMedAIを紹介する。 提案システムは,臨床情報に基づく特徴発見のためのエージェント型大規模言語モデル(LLM)と,時間性を考慮した死亡予測のためのコンパクトな量子リカレントネットワークを組み合わせる。 提案する量子アーキテクチャは,パラメータ数を極端に低く保ちつつ,非線形的特徴拡張による競合予測性能を実現する。 心停止患者のMIMIC-IVコホートに関する広範な実験を通じて、QuanTiMedAIの量子強化アーキテクチャは、605パラメータのみを使用して0.852のAUROCを達成し、このタスクの現在の最先端ベースラインよりも約2.9\%改善した。 構造化アブレーション研究は、各アーキテクチャ設計選択の貢献を体系的に検証する。 これらの結果から,量子エンハンス・シーケンシャル・モデリングは従来のリカレント・ネットワークをはるかに少ないパラメータで超えることができた。

関連論文リスト

• MedFlow: Class-Aware Multi-Scale Generation for Medical Time-Series Synthesis [61.211117385840396]
  医用時系列合成のためのクラス認識フローマッチングフレームワークであるMedFlowを提案する。 MedFlowは、ベクトル量子化マルチスケールトークンーザを使用して、補完的な時間分解能で医療シーケンスを表現する。 クラス条件トークン統計を直接フローマッチングプロセスに組み込むToken Marginal Guidanceは、クラス固有の領域へのステアリングを生成する。
  論文  参考訳（メタデータ） (2026-09-04T07:02:12Z)
• A physics-informed foundation model for quantitative diffusion MRI [46.74037857287099]
  物理インフォームド・ジェネレーティブ・マイクロ構造ネットワーク(PIGMENT)は、人間の脳の微細構造に先立って普遍的な生成を学習し、被験者の計測データにゼロショットで適応し、被験者固有のマップを復元する。 PIGMENT は,10倍加速スキャンによる小脳皮質微細構造パターンと幼少期の白質発達軌跡を保存し,強い生物学的妥当性を示した。 これらの結果は、PIGMENTを物理インフォームド基礎モデルとして確立し、定量的拡散MRIを、伝統的に不安定で不均一、あるいは信頼性のある分析に制約された状態に拡張する。
  論文  参考訳（メタデータ） (2026-05-29T07:26:35Z)
• Benchmarking Machine Learning Architectures for Antimicrobial Stewardship in Pediatric ICUs [1.113021697417606]
  小児集中治療器(PICU)における抗微生物スチュワードシップ(AMS)の意義 機械学習は、電子健康記録データから患者レベルの介入機会を特定するための有望なアプローチを提供する。 公開データセットと民間機関コホートを用いたPICUにおけるAMS介入予測の系統的ベンチマークを行った。
  論文  参考訳（メタデータ） (2026-05-21T15:26:58Z)
• Real-Time Surrogate Modeling for Personalized Blood Flow Prediction and Hemodynamic Analysis [0.21111026813272174]
  本稿では,瞬時血行動態予測とパラメータ推定が可能な機械学習モデル(ML)を訓練するための体系的枠組みを提案する。 Asklepiosの大規模臨床データセットで観測された多変量相関に基づいて,まずパラメトリックな仮想コホートを作成した。 次に、患者固有の動脈圧と心臓出力(CO)を予測するディープ・ニューラル・サロゲートモデルを訓練し、入力パラメータの高速なアプリオリスクリーニングを可能にする。
  論文  参考訳（メタデータ） (2026-04-03T17:15:34Z)
• TA-RNN-Medical-Hybrid: A Time-Aware and Interpretable Framework for Mortality Risk Prediction [0.9558392439655014]
  提案フレームワークは,予測精度と臨床解釈可能性のギャップを埋めるものである。 これは、確立した医療知識に沿った臨床的に有意義な説明を提供する。 提案するフレームワークは,大規模ICU意思決定支援システムに対して,スケーラブルで透過的なソリューションを提供する。
  論文  参考訳（メタデータ） (2026-03-09T11:49:42Z)
• Hybrid Quantum Neural Network for Multivariate Clinical Time Series Forecasting [1.273286181233646]
  本稿では、リカレント神経バックボーン内に変分量子回路(VQC)を統合するハイブリッド量子古典アーキテクチャを提案する。 本稿では,BIDMC PPGとRespirationデータセットに関する提案手法について,Leave-One-Patient-Outプロトコルを用いて評価する。
  論文  参考訳（メタデータ） (2026-03-09T08:08:57Z)
• Early Prediction of Sepsis using Heart Rate Signals and Genetic Optimized LSTM Algorithm [2.5808900635565366]
  本研究は、ウェアラブルデバイスにおけるセプシスの開始を予測するために設計された4つの新しい機械学習アルゴリズムを紹介し、評価する。 これらのモデルのアーキテクチャは遺伝的アルゴリズムによって洗練され、性能、計算複雑性、メモリ要求を最適化した。 本研究は,ICUおよび病棟外における早期敗血症検出を容易にするウェアラブル技術の可能性を示すものである。
  論文  参考訳（メタデータ） (2025-12-30T14:27:43Z)
• Transparent Early ICU Mortality Prediction with Clinical Transformer and Per-Case Modality Attribution [42.85462513661566]
  ICU滞在後48時間から, 生理的時系列測定と非構造的臨床記録とを融合した, 軽量で透明なマルチモーダルアンサンブルを提案する。 ロジスティック回帰モデルは、バイタル用双方向LSTMとノート用微調整された臨床ModernBERT変換器の2つのモード固有モデルからの予測を組み合わせる。 MIMIC-IIIベンチマークでは、遅延融合アンサンブルは、よく校正された予測を維持しながら、最高の単一モデルに対する差別を改善する。
  論文  参考訳（メタデータ） (2025-11-19T20:11:49Z)
• SurgeryLSTM: A Time-Aware Neural Model for Accurate and Explainable Length of Stay Prediction After Spine Surgery [44.119171920037196]
  選択的脊椎手術における滞在時間(LOS)予測のための機械学習モデルの開発と評価を行った。 我々は,従来のMLモデルと,マスク付き双方向長短期記憶(BiLSTM)であるオペレーショナルLSTMを比較した。 決定係数(R2)を用いて性能を評価し,説明可能なAIを用いて鍵予測器を同定した。
  論文  参考訳（メタデータ） (2025-07-15T01:18:28Z)
• Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
  そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。 また,死亡率と臓器不全の関連性について有意な知見が得られた。
  論文  参考訳（メタデータ） (2024-07-28T02:42:36Z)
• Improving Diffusion Models for ECG Imputation with an Augmented Template Prior [43.6099225257178]
  ノイズと品質の悪い録音は、モバイルヘルスシステムを使って収集された信号にとって大きな問題である。 近年の研究では、確率的時系列モデルによるECGの欠落値の計算が検討されている。 本稿では,様々な健康状態の事前情報として,テンプレート誘導型拡散確率モデル(DDPM)PulseDiffを提案する。
  論文  参考訳（メタデータ） (2023-10-24T11:34:15Z)
• 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)
• Prediction of the onset of cardiovascular diseases from electronic health records using multi-task gated recurrent units [51.14334174570822]
  本稿では,電子カルテから心血管イベントを予測するための注意機構を備えたマルチタスク・リカレントニューラルネットワークを提案する。 提案手法は、NHS Foundation Trustの5年間のデータを用いて、標準的な臨床リスク予測器(QRISK)と機械学習の代替手段と比較される。
  論文  参考訳（メタデータ） (2020-07-16T17:43:13Z)

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。