論文の概要: MiGHT-EHR: A Multi-task Graph Transformer for Heterogeneous Temporal Electronic Health Records

• arxiv url: http://arxiv.org/abs/2608.06430v1
• Date: Wed, 05 Aug 2026 23:27:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-10 16:21:25.247099
• Title: MiGHT-EHR: A Multi-task Graph Transformer for Heterogeneous Temporal Electronic Health Records
• Title（参考訳）: MiGHT-EHR:異機種間電子健康記録用マルチタスクグラフ変換器
• Abstract要約: 異種時間EHR(MiGHT-EHR)のためのマルチタスクグラフ変換器を提案する。 MiGHT-EHR は EHR からヘテロジニアスグラフを構築し、ノードは臨床エンティティを表現し、エッジは統計的に関連付けられたエンティティを結合する。 薬物推奨、妊娠期間の予測、死亡率、寛解の4つのタスクで平均して最先端の手法を上回ります。
• 参考スコア（独自算出の注目度）: 3.0622549777214636
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning from Electronic Health Records (EHRs) has gained significant attention due to its potential to improve clinical prediction. However, effective learning remains challenging because EHRs encode heterogeneous, temporally ordered clinical interactions. In particular, EHRs contain: (i) heterogeneous clinical entities, including patients, visits, diagnoses, prescriptions, and procedures, together with their heterogeneous interactions, (ii) longitudinal patient trajectories across hospital visits and (iii) shared statistical dependencies across related clinical prediction tasks. Existing EHR learning methods capture only a subset of these properties. To bridge this gap, we propose Multi-task Graph transformer for Heterogeneous Temporal EHRs (MiGHT-EHR), which jointly models all three within a unified representation learning method. MiGHT-EHR constructs a heterogeneous graph from EHRs in which nodes represent clinical entities and edges connect statistically associated entities identified via normalized point-wise mutual information. Across MIMIC-III and MIMIC-IV datasets, MiGHT-EHR outperforms state-of-the-art methods on average across four tasks: drug recommendation, prediction of length-of-stay, mortality, and readmission, with particularly strong improvements in mortality and readmission prediction. Furthermore, a post-hoc analysis of the learned representations reveals that patient neighborhoods are organized by clinical outcomes, salient medical concepts are recoverable as linear directions in the representation space, and task probabilities are well calibrated. Collectively, these findings demonstrate that MiGHT-EHR representations support diverse prediction tasks while preserving clinically interpretable structure.
• Abstract（参考訳）: EHR(Electronic Health Records)からの学習は、臨床予測を改善する可能性から大きな注目を集めている。 しかし、EHRは異種、時間的に秩序づけられた臨床相互作用をコードしているため、効果的な学習は依然として困難である。 特に EHR には以下のものがある。 一 患者、来院、診断、処方薬及び処置を含む異種臨床組織及びその異種間相互作用 二 来院時及び来院時における縦断的患者軌跡 (3)関連臨床予測課題間の統計的依存関係の共有。 既存のEHR学習手法は、これらの特性のサブセットのみをキャプチャする。 このギャップを埋めるために、統一表現学習法で3つ全てを共同でモデル化する異種時間 EHR (MiGHT-EHR) のためのマルチタスクグラフ変換器を提案する。 MiGHT-EHRは、ノードが臨床エンティティを表現し、エッジが正常化ポイントワイド相互情報によって識別される統計的に関連付けられたエンティティを接続するEHRからヘテロジニアスグラフを構築する。 MIMIC-IIIとMIMIC-IVデータセット全体で、MiGHT-EHRは、薬物推奨、長期の予測、死亡、寛解の4つのタスクで平均的な最先端の手法よりも優れており、特に死亡率と寛解率の予測が大幅に向上している。 さらに, 患者周辺は臨床結果によって組織化され, 健康な医療概念は表現空間の直線方向として回復可能であり, タスク確率は良好に調整可能であることが明らかになった。 以上より, MiGHT-EHR表現は, 臨床的に解釈可能な構造を維持しつつ, 多様な予測タスクをサポートすることが示唆された。

関連論文リスト

• Multimodal Graph-based Classification of Esophageal Motility Disorders [73.90451172929117]
  食道運動障害の診断は,高分解能インピーダンス測定データの複雑化と臨床解釈の多様性が原因で大きな課題となる。 本研究は,HRIM記録と患者固有の情報を組み合わせたマルチモーダル機械学習に基づく分類手法の実現可能性について検討し,食道生理学のグラフベースモデリングを取り入れた。
  論文  参考訳（メタデータ） (2026-05-13T14:52:12Z)
• ReMedi: Reasoner for Medical Clinical Prediction [70.84466325266068]
  EHRによる臨床結果予測を改善するためのフレームワークであるReMediを提案する。 ReMediは、複雑な臨床問題に対する挑戦的なサンプル再生機構を用いて有理応答対を生成する。 複数のEHR予測タスクの実験では、F1スコアで最先端のベースラインを19.9%上回った。
  論文  参考訳（メタデータ） (2026-05-02T14:44:49Z)
• KAT-GNN: A Knowledge-Augmented Temporal Graph Neural Network for Risk Prediction in Electronic Health Records [0.0]
  KAT-GNNは、リスク予測のための臨床知識と時間ダイナミクスを統合するグラフベースのフレームワークである。 本研究は,Chang Gung Research Database (CGRD) を用いた冠状動脈疾患(CAD)予測とMIMIC-IIIおよびMIMIC-IVデータセットを用いた院内死亡予測の3つのデータセットおよび課題について評価した。
  論文  参考訳（メタデータ） (2025-11-03T05:42:04Z)
• Integrating Genomics into Multimodal EHR Foundation Models [56.31910745104141]
  本稿では,ポリジェニックリスクスコア(PRS)を基本データモダリティとして統合した,革新的なEHR基盤モデルを提案する。 このフレームワークは、臨床データと遺伝子前置詞の複雑な関係を学習することを目的としている。 このアプローチは、病気の予測、積極的な健康管理、リスク階層化、パーソナライズされた治療戦略に対する新たな洞察を解放するために重要である。
  論文  参考訳（メタデータ） (2025-10-24T15:56:40Z)
• CTPD: Cross-Modal Temporal Pattern Discovery for Enhanced Multimodal Electronic Health Records Analysis [50.56875995511431]
  マルチモーダルEHRデータから有意な時間的パターンを効率的に抽出するために,CTPD(Cross-Modal Temporal Pattern Discovery)フレームワークを導入する。 提案手法では,時間的セマンティックな埋め込みを生成するためにスロットアテンションを用いて改良された時間的パターン表現を提案する。
  論文  参考訳（メタデータ） (2024-11-01T15:54:07Z)
• Multi-task Heterogeneous Graph Learning on Electronic Health Records [22.218522445858344]
  EHRモデリングのための新しいフレームワーク MulT-EHR (Multi-Task EHR) を提案する。 そこで本研究では,因果推論フレームワークをベースとしたデノナイジングモジュールを導入し,重度のコンバウンディング効果の調整を行う。 マルチタスク学習モジュールを設計し、タスク間知識を活用してトレーニングプロセスの正規化を行う。
  論文  参考訳（メタデータ） (2024-08-14T14:06:13Z)
• EMERGE: Enhancing Multimodal Electronic Health Records Predictive Modeling with Retrieval-Augmented Generation [22.94521527609479]
  EMERGEはRetrieval-Augmented Generation(RAG)駆動のフレームワークであり、マルチモーダルEHR予測モデリングを強化する。 時系列データと臨床ノートからエンティティを抽出し,LLM(Large Language Models)を誘導し,プロのPrimeKGと整合させる。 抽出した知識は、患者の健康状態のタスク関連サマリーを生成するために使用される。
  論文  参考訳（メタデータ） (2024-05-27T10:53:15Z)
• ICU Bloodstream Infection Prediction: A Transformer-Based Approach for EHR Analysis [0.0]
  本稿では,集中治療室(ICU)における電子健康記録(EHR)データの予測分析を目的とした新しいフレームワークであるRatchetEHRを紹介する。 R RatchetEHRは、RNN、LSTM、XGBoostなど、他の方法と比較して優れた予測性能を示している。 RatchetEHRにおける重要なイノベーションは、Graph Convolutional Transformer (GCT)コンポーネントの統合である。
  論文  参考訳（メタデータ） (2024-05-01T19:00:30Z)
• Toward Cohort Intelligence: A Universal Cohort Representation Learning Framework for Electronic Health Record Analysis [15.137213823470544]
  本稿では, 患者間の詳細なコホート情報を活用することで, EHR活用を促進するための共通コホート表現 lEarning (CORE) フレームワークを提案する。 COREは多様なバックボーンモデルに容易に適用でき、コホート情報を医療手法に注入してパフォーマンスを高める普遍的なプラグインフレームワークとして機能する。
  論文  参考訳（メタデータ） (2023-04-10T09:12:37Z)
• MIMO: Mutual Integration of Patient Journey and Medical Ontology for Healthcare Representation Learning [49.57261599776167]
  本稿では、医療表現学習と予測分析のための、エンドツーエンドの堅牢なトランスフォーマーベースのソリューション、患者旅行の相互統合、医療オントロジー(MIMO)を提案する。
  論文  参考訳（メタデータ） (2021-07-20T07:04:52Z)
• BiteNet: Bidirectional Temporal Encoder Network to Predict Medical Outcomes [53.163089893876645]
  本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。 エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。 実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
  論文  参考訳（メタデータ） (2020-09-24T00:42:36Z)

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。