論文の概要: Tracing the Heart: An Evidence-Linked Pipeline for Heart-Failure Feature Engineering

• arxiv url: http://arxiv.org/abs/2608.06366v1
• Date: Thu, 06 Aug 2026 17:57:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-07 15:25:20.998652
• Title: Tracing the Heart: An Evidence-Linked Pipeline for Heart-Failure Feature Engineering
• Title（参考訳）: 心臓の追跡:心不全機能工学のためのエビデンスリンクパイプライン
• Authors: Soorya Ram Shimgekar, Michelle Hu, Dorisa Shehi, Daniel Kang, Roy Ka-Wei Lee, Koustuv Saha, Christian Poellabauer, Christopher Lee, Sajeev Singh, Piyum Zonooz, Navin Kumar, Zeeshan Ahmed, Priyadarshini Kachroo,
• Abstract要約: 自動心不全機能工学のためのエビデンスリンク型ルーリックグラウンドパイプラインを開発した。 nMASは, 構造整合性, ルブリック適合性, 証明性を検証し, 制限されたLDMで検査した132個の構造と70個のルブリックの集合特性を作成した。 これらの結果は、複雑な心血管系ERHデータに対する自動監査機能工学の可能性を示している。
• 参考スコア（独自算出の注目度）: 18.09162983861884
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Electronic health record (EHR) feature engineering is a major bottleneck in clinical research and AI, accounting for 39-45% of data scientists' workload. This is especially pronounced in heart failure, which affects an estimated 6.7 million U.S. adults and requires integrating fragmented EHR data with disease-specific, guideline-based clinical reasoning. Existing rule-based and large language model (LLM)-based approaches offer only partial automation with limited maintainability and evidence traceability. We developed the Nimblemind Multi-Agent System (nMAS), an evidence-linked, rubric-grounded pipeline for automated heart-failure feature engineering, and evaluated it on 500 dummy patient records from nine EHR source tables. nMAS generated 132 structured and 70 rubric-scored aggregated features, verified for structural integrity, rubric compliance, and provenance, and audited by a restricted LLM. Adding the aggregated features improved held-out AUROC from 0.895 to 0.963 for HFrEF and 0.870 to 0.910 for HFpEF phenotyping, and an independent LLM-based rubric assessment of evidence support and methodological soundness scored the features at 81.5% of maximum points. These results demonstrate the feasibility of automated, auditable feature engineering for complex cardiovascular EHR data, though evaluation was limited to a single-institution cohort and external validation is needed.
• Abstract（参考訳）: EHR(Electronic Health Record)機能エンジニアリングは、臨床研究とAIにおいて主要なボトルネックであり、データサイエンティストのワークロードの39-45%を占めている。 これは、推定670万人の米国成人に影響を与える心不全において特に顕著であり、断片化されたERHデータと疾患特異的でガイドラインに基づく臨床推論を統合する必要がある。 既存のルールベースおよび大規模言語モデル(LLM)ベースのアプローチは、保守性とエビデンストレーサビリティに制限のある部分的自動化のみを提供する。 我々は,心不全自動機能エンジニアリングのためのエビデンスリンク型ルーリックグラウンドパイプラインであるNinmblemind Multi-Agent System (nMAS)を開発し,9つのEHRソーステーブルから500ダミーの患者記録を用いて評価した。 nMASは, 構造整合性, ルブリック適合性, 証明性を検証し, 制限されたLDMで検査した132個の構造と70個のルブリックの集合特性を作成した。 AUROCはHFrEFは0.895から0.963、HFpEFは0.870から0.910に改善された。 これらの結果は, 単施設コホートに限って評価し, 外部検証が必要であるにもかかわらず, 複雑な心血管性心血管性HRデータに対する自動検査機能工学の可能性を示すものである。

関連論文リスト

• Artificial Intelligence-Assistant Cardiotocography: Unified Model for Signal Reconstruction, Fetal Heart Rate Analysis, and Variability Assessment [14.181844060152367]
  我々のモデルは、ラベルなしの558,412個のデータポイントからなる巨大なデータセットで事前訓練された。 本モデルでは, 臨界FHR減速と加速度の検出において高い感度と特異性を示した。
  論文  参考訳（メタデータ） (2026-05-14T01:18:41Z)
• BAAI Cardiac Agent: An intelligent multimodal agent for automated reasoning and diagnosis of cardiovascular diseases from cardiac magnetic resonance imaging [38.86018893974869]
  本稿では、エンド・ツー・エンドの心臓磁気共鳴(CMR)の解釈を目的としたマルチモーダル・インテリジェント・システムであるBAAI Cardiac Agentを提案する。 この薬剤は、専門的な心臓専門家モデルを統合し、心臓構造の自動セグメンテーション、機能的定量化、組織の特徴、および疾患の診断を行う。 本システムでは, 退行率, 脳卒中容積, 左室量などのコアパラメータについて, 臨床報告と極めて一致している。
  論文  参考訳（メタデータ） (2026-04-05T11:52:46Z)
• A DeepSeek-Powered AI System for Automated Chest Radiograph Interpretation in Clinical Practice [83.11942224668127]
  Janus-Pro-CXR (1B) はDeepSeek Janus-Proモデルに基づく胸部X線解釈システムである。 本システムは, 自動レポート生成において, 最先端のX線レポート生成モデルより優れる。
  論文  参考訳（メタデータ） (2025-12-23T13:26:13Z)
• From Scores to Steps: Diagnosing and Improving LLM Performance in Evidence-Based Medical Calculations [45.414878840652115]
  大規模言語モデル(LLM)は医療ベンチマークで有望な性能を示した。 しかし、医学的な計算を行う能力は未熟であり、評価も不十分である。 本研究は,臨床信頼性を重視した医療計算評価を再考する。
  論文  参考訳（メタデータ） (2025-09-20T09:10:26Z)
• Agent-Based Feature Generation from Clinical Notes for Outcome Prediction [4.5134876868616765]
  大規模言語モデル(LLM)を利用したモジュール型マルチエージェントシステムであるSNOWを導入する。 SNOWは,Stanford Healthcareの147例において,手動CFG,クリニカルガイド下LCM法,RFG法を用いて5年間の前立腺癌再発の予測を行った。
  論文  参考訳（メタデータ） (2025-08-03T23:45:18Z)
• Simulated patient systems are intelligent when powered by large language model-based AI agents [32.73072809937573]
  我々は,大規模言語モデルに基づくAIエージェントを用いた,インテリジェントシミュレートされた患者システムAIatientを開発した。 このシステムにはRetrieval Augmented Generationフレームワークが組み込まれており、複雑な推論のために6つのタスク固有のLLMベースのAIエージェントが使用されている。 シミュレーションの現実のために、このシステムはAIPatient KG (Knowledge Graph) も利用している。
  論文  参考訳（メタデータ） (2024-09-27T17:17:15Z)
• The Potential of Wearable Sensors for Assessing Patient Acuity in Intensive Care Unit (ICU) [12.359907390320453]
  エクイティアセスメントは、タイムリーな介入と公平なリソース割り当てを提供するために、重要なケア設定において不可欠である。 従来のAcuityスコアには、ICUの回復や劣化を示す、患者のモビリティレベルなどの詳細な情報が含まれていない。 本研究では,手首の加速度計から収集したモビリティデータとEHRから得られた臨床データとを統合してAIによる明度評価スコアを作成することによる影響について検討した。
  論文  参考訳（メタデータ） (2023-11-03T21:52:05Z)
• Identification of Ischemic Heart Disease by using machine learning technique based on parameters measuring Heart Rate Variability [50.591267188664666]
  本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。 最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
  論文  参考訳（メタデータ） (2020-10-29T19:14:41Z)

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。