論文の概要: Intervention-Aware Clinical World Model for Post-Op Outcome Forecasting in Cardiology
- arxiv url: http://arxiv.org/abs/2608.13518v1
- Date: Thu, 13 Aug 2026 17:38:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-14 18:29:38.619952
- Title: Intervention-Aware Clinical World Model for Post-Op Outcome Forecasting in Cardiology
- Title（参考訳）: 循環器科領域における術後予後予測のためのインターベンション・アウェア臨床世界モデル
- Abstract要約: 多くの臨床予測モデルは、介入後の結果をベースライン測定から将来のエンドポイントへの一段階のマッピングとして扱う。
本稿では,各患者に構造的潜在状態を示す介入型臨床世界モデルを提案し,時間順の介入後イベントを通じてそれを進化させる。
- 参考スコア（独自算出の注目度）: 8.701738697134955
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Many clinical prediction models treat post-intervention outcomes as a one-step mapping from baseline measurements to a future endpoint. However, recovery after a procedure often unfolds as an irregular trajectory: clinical observations, medication changes, repeat interventions, and physiological measurements are recorded asynchronously and can change risk assessment over time. We propose an intervention-aware clinical world model that represents each patient with a structured latent state and evolves it through time-ordered post-intervention events. The model first encodes baseline imaging into a 3D spatial latent state. It then updates this state using procedural context, static covariates, elapsed time, and peri-event physiological embeddings. Follow-up imaging provides training-only supervision through a latent forecasting objective. We apply the framework to atrial fibrillation ablation. During the 90-day recovery window, irregular post-procedure records provide clinically meaningful evidence for long-term recurrence risk. In repeated internal cross-validation on DECAAF-II, our model achieves AUROC 0.756 and AUPRC 0.777 for recurrence prediction. It also achieves a scar-extent MAE of 2.971 percentage points without requiring follow-up MRI intensities at inference. The learned state supports recurrence-risk queries at different horizons and retrospective input editing of blanking-period records.
- Abstract（参考訳）: 多くの臨床予測モデルは、介入後の結果をベースライン測定から将来のエンドポイントへの一段階のマッピングとして扱う。
しかし、処置後の回復は、しばしば不規則な軌跡として展開され、臨床観察、薬物の変化、反復的介入、生理的測定が非同期に記録され、時間とともにリスク評価を変える可能性がある。
本稿では,各患者に構造的潜在状態を示す介入型臨床世界モデルを提案し,時間順の介入後イベントを通じてそれを進化させる。
モデルはまず、ベースラインイメージングを3次元空間潜在状態に符号化する。
その後、手続き的文脈、静的な共変体、経過時間、および周囲の生理的埋め込みを用いて、この状態を更新する。
フォローアップイメージングは、潜在予測目標を通じてトレーニングのみの監視を提供する。
この枠組みを心房細動アブレーションに適用する。
90日間の回復期間において、不規則な調達後記録は長期再発のリスクを示す臨床的に有意義な証拠となる。
DECAAF-II 上での繰り返しの相互検証では,AUROC 0.756 と AUPRC 0.777 の繰り返し予測が得られた。
また、MRIインテンシティを推測することなく、2.971ポイントの不足率のMAEも達成している。
学習状態は、異なる地平線における繰り返しリスククエリと、空白期間レコードの振り返り入力編集をサポートする。
関連論文リスト
- How Good are Foundation Models in Longitudinal MRI Disease Progression Reasoning? [49.14050864978079]
我々は,マルチビュー解剖学的入力を統一する評価フレームワークであるTime-Aware Multi-View MRI Benchmarkを紹介した。
このベンチマークは、3200の縦断MRIのタイムポイントにまたがる890人の患者から得られた、専門家が検証した質問応答ペア3,920名からなる。
論文 参考訳（メタデータ） (2026-08-13T14:35:20Z) - Mr.Dec: Daily-Scale Longitudinal Multimodal Modeling for 30-Day Readmission Prediction [5.15235367352057]
我々は,Mr.Dec(Multimodal Readmission-risk Prediction Decoder)を提案する。
Transformer Decoderを活用することで、Mr.Decは毎日のEHR(Electronic Health Record)のアップデートと、Chest X-ray(CXR)の断続的な発見をタイムアラインストリームに統合する。
提案モデルでは, 入院中の「批判的日」を識別し, リアルタイムリスク階層化の実践的, 臨床的根拠とした解釈を提供する。
論文 参考訳（メタデータ） (2026-08-05T05:59:42Z) - TRACE-PCa: Predicting Prostate Cancer Progression from Longitudinal MRI During Active Surveillance [3.0383869408727864]
アクティブな監視は、リスクの高い前立腺がんにとって好ましい戦略である。
現在のプロトコルは、スケジュールされた繰り返し生検に依存しており、そのほとんどは進行を示さず、不要である。
病変分節を伴わないASの病態進行を予測するために, 終端時間・多モーダルモデルを提案する。
論文 参考訳（メタデータ） (2026-07-15T07:00:50Z) - Closed-loop coupling of personalised and foundation models for real-time treatment guidance with MRI [0.0]
画像誘導療法は解剖学的構造のリアルタイムターゲティングに依存している。
運動の存在下では、画像の遅延は観察された解剖学と真の解剖学の時間的ずれを生じさせ、治療の精度を損なう。
本稿では,患者固有の時間的予測を連続的セグメンテーションに基づく解剖学的解釈と相乗するクローズドループ結合フレームワークを提案する。
論文 参考訳（メタデータ） (2026-07-01T06:32:10Z) - ChronoMedicalWorld: A Medical World Model for Learning Patient Trajectories from Longitudinal Care Data [1.995753801570114]
縦断的ケアデータから患者の軌跡を学習するための行動条件付き潜在世界モデルフレームワークを提案する。
慢性腎疾患(CKD)における年間推定糸球体濾過率(eGFR)トラジェクトリー予測のためのCMWMのインスタンス化
CKD固有のアーキテクチャ、損失設計、トレーニングプロトコルは、構造的および会話的介入によってインターリーブされた定期的な臨床状態としてキャストできるあらゆる慢性状態に適用できる。
論文 参考訳（メタデータ） (2026-05-21T03:50:17Z) - 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) - Multi-Task Diffusion Approach For Prediction of Glioma Tumor Progression [0.6978367196609415]
グリオーマは攻撃的な脳腫瘍であり、正確な進化予測に重大な課題をもたらす。
本稿では,グリオーマ進行の時間依存的,ピクセルワイドな予測のためのマルチタスク拡散フレームワークを提案する。
論文 参考訳（メタデータ） (2025-09-13T14:42:46Z) - Parameterized Diffusion Optimization enabled Autoregressive Ordinal Regression for Diabetic Retinopathy Grading [53.11883409422728]
本研究は, AOR-DRと呼ばれる新しい自己回帰的順序回帰法を提案する。
我々は,糖尿病網膜症分類タスクを,前ステップの予測と抽出画像の特徴を融合させることにより,一連の順序段階に分解する。
拡散過程を利用して条件付き確率モデリングを行い、連続的グローバルな画像特徴を自己回帰に利用できるようにする。
論文 参考訳（メタデータ） (2025-07-07T13:22:35Z) - 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) - MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。
我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。
我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
論文 参考訳（メタデータ） (2020-10-08T15:30:17Z) - Estimating Counterfactual Treatment Outcomes over Time Through
Adversarially Balanced Representations [114.16762407465427]
時間とともに治療効果を推定するためにCRN(Counterfactual Recurrent Network)を導入する。
CRNは、患者履歴のバランスの取れた表現を構築するために、ドメイン敵のトレーニングを使用する。
本モデルでは, 正解率の予測と適切な治療時期の選択において, 誤差の低減を図っている。
論文 参考訳（メタデータ） (2020-02-10T20:47:36Z)
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。