論文の概要: Foresight-England: Development of a National-Scale Generative AI Model of Electronic Health Records for Medical Event Prediction across the COVID-19 Pandemic

• arxiv url: http://arxiv.org/abs/2608.16273v1
• Date: Mon, 17 Aug 2026 08:46:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.596316
• Title: Foresight-England: Development of a National-Scale Generative AI Model of Electronic Health Records for Medical Event Prediction across the COVID-19 Pandemic
• Title（参考訳）: Foresight-England:COVID-19パンデミック全体での医療イベント予測のための全国規模の電子健康記録生成AIモデルの開発
• Abstract要約: Foresight-Englandは、最初の全国規模の電子健康記録生成基盤モデルである。 新型コロナウイルス研究の厳格な研究パイロットとして開発された。 我々は、パンデミックの直接的かつ間接的な効果をモデル化する能力を評価した。
• 参考スコア（独自算出の注目度）: 1.343451457943992
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Foresight-England (Foresight-E) is the first national-scale generative foundation model of electronic health records (EHRs), developed as a research pilot strictly for COVID-19 research. We evaluated its ability to model the direct and indirect effects of the pandemic. Trained from scratch entirely within the NHS England Secure Data Environment, Foresight-E is a 243-million-parameter transformer decoder. It was trained and evaluated on de-identified, longitudinal EHRs of approximately 61 million individuals, integrating primary/secondary care, death registrations, and COVID-19 data. Training and validation used a 90% subset (54.9 million) spanning November 2018 to December 2022; the remaining 10% (6.1 million) was held out for evaluation. Foresight-E models patient timelines autoregressively, predicting the next medical event given their prior history. At inference, it operates zero-shot, predicting any concept in its ~40,000-code vocabulary without task-specific training. Our tokenisation scheme retains the clinical granularity of ICD-10, OPCS-4, and SNOMED CT codes, jointly representing absolute and relative timing. We designed an evaluation framework for 30-day COVID-19 hospitalisation and mortality, including subgroup analyses by demographic factors and vaccination status. To assess generalisation to unseen future data and the pandemic's indirect effects, we tested the model on medical events from 2023 (beyond its training period), benchmarking against logistic regression and XGBoost. As detailed in the Project Status section, NHS England has paused access to data for the Foresight-E project, meaning quantitative results are currently unavailable. Instead, we share our strategy for tokenisation, architecture, training, inference, and evaluation as a methodological template and case study in the challenges of building population-scale EHR foundation models.
• Abstract（参考訳）: Foresight-England (Foresight-E) は、新型コロナウイルス研究のための厳格な研究パイロットとして開発された、最初の全国規模の電子健康記録生成基盤モデルである。 我々は、パンデミックの直接的かつ間接的な効果をモデル化する能力を評価した。 Foresight-Eは、NHS England Secure Data Environment内で完全にスクラッチからトレーニングされ、243万パラメートルのトランスフォーマーデコーダである。 約6100万人の個人で、プライマリ・セカンダリーケア、死亡登録、およびCOVID-19データを統合することで、特定されていない縦長のERHを訓練し、評価した。 トレーニングと検証には2018年11月から2022年12月までの90%のサブセット(549万)が使用され、残りの10%(6100万)が評価に使われた。 Foresight-Eは患者のタイムラインを自動回帰的にモデル化し、これまでの履歴から次の医療イベントを予測する。 推論ではゼロショットで動作し、タスク固有のトレーニングなしで、約40,000のコード語彙の概念を予測します。 ICD-10,OPCS-4,SNOMEDのCT符号は絶対的および相対的タイミングを表わす。 本研究では,30日間の入院および死亡に関する評価枠組みを考案し,人口統計学的要因によるサブグループ分析とワクチン接種状況について検討した。 今後のデータとパンデミックの間接的影響を明らかにするための一般化を評価するため,2023年からの医療イベント(トレーニング期間に加えて,ロジスティック回帰とXGBoostのベンチマークを行った。 プロジェクトステータスのセクションで詳述されているように、NHS EnglandはForesight-Eプロジェクトのデータへのアクセスを一時停止した。 代わりに、人口規模EHR基盤モデル構築の課題における方法論的テンプレートとケーススタディとして、トークン化、建築、トレーニング、推論、評価の戦略を共有します。

関連論文リスト

• DT-Transformer: A Foundation Model for Disease Trajectory Prediction on a Real-world Health System [3.932718734616]
  We developed DT-Transformer, a foundation model on 57.1M structured EHR entry over 1.7M patients from Mass General Brigham (MGB)。 次世代の予測では、AUCは896の疾患カテゴリーで0.871であり、AUC 0.5を超えている。
  論文  参考訳（メタデータ） (2026-05-14T00:45:04Z)
• FoMoH: A clinically meaningful foundation model evaluation for structured electronic health records [15.619686828044543]
  ファンデーションモデルは、下流のタスクとは無関係に意味のある表現を抽出する能力を考えると、医療において大きな可能性を秘めている。 包括的かつ有意義なタスクのデシダラタが欠如していることから、これらのモデルが臨床的有用性にもたらす可能性については、ほとんど意見の一致がない。 コロンビア大学アーヴィング医療センターの500万人の患者を対象に, EHRデータに基づく最先端基礎モデルの評価を行った。
  論文  参考訳（メタデータ） (2025-05-22T17:29:52Z)
• Zero-shot Medical Event Prediction Using a Generative Pre-trained Transformer on Electronic Health Records [8.575985305475355]
  生成事前学習型トランス (GPT) は, EHRにおける時系列データを利用して, 将来の事象を予測できる。 これらのモデルの微調整はタスク固有のパフォーマンスを高めるが、多くの臨床予測タスクに適用するとコストがかかる。 事前訓練された基礎モデルはゼロショット予測設定で使用することができ、結果ごとに微調整された個別モデルに代わるスケーラブルな代替手段を提供する。
  論文  参考訳（メタデータ） (2025-03-07T19:26:47Z)
• 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)
• Foresight -- Deep Generative Modelling of Patient Timelines using Electronic Health Records [46.024501445093755]
  医学史の時間的モデリングは、将来の出来事を予測し、シミュレートしたり、リスクを見積り、代替診断を提案したり、合併症を予測するために使用することができる。 我々は、文書テキストを構造化されたコード化された概念に変換するためにNER+Lツール(MedCAT)を使用する新しいGPT3ベースのパイプラインであるForesightを提示する。
  論文  参考訳（メタデータ） (2022-12-13T19:06:00Z)
• A Comprehensive Benchmark for COVID-19 Predictive Modeling Using Electronic Health Records in Intensive Care [15.64030213048907]
  集中治療室における新型コロナウイルス患者のアウトカム特異的長期予測と早期死亡予測の2つの臨床予測課題を提案する。 この2つの課題は、新型コロナウイルス(COVID-19)患者の臨床実践に対応するため、単純で不安定な長寿と死亡予測のタスクから適応される。 我々は、公平で詳細なオープンソースのデータ前処理パイプラインを提案し、2つのタスクで17の最先端予測モデルを評価する。
  論文  参考訳（メタデータ） (2022-09-16T09:09:15Z)
• Advancing COVID-19 Diagnosis with Privacy-Preserving Collaboration in Artificial Intelligence [79.038671794961]
  我々はUCADI(Unified CT-COVID AI Diagnostic Initiative)を立ち上げ、各ホスト機関でAIモデルを分散的にトレーニングし、独立して実行することができる。 本研究は,中国とイギリスに所在する23の病院で採取した3,336例の胸部CT9,573例について検討した。
  論文  参考訳（メタデータ） (2021-11-18T00:43:41Z)
• Forecasting COVID-19 Counts At A Single Hospital: A Hierarchical Bayesian Approach [59.318136981032]
  一つの病院で1日当たりの入院患者数を予測するという課題について検討する。 データのカウント特性を直接キャプチャする階層型ベイズモデルをいくつか開発する。 マサチューセッツ州の8つの病院とイギリスの10の病院のパブリックデータセットに対する我々のアプローチを実証する。
  論文  参考訳（メタデータ） (2021-04-14T11:58:54Z)
• Classification supporting COVID-19 diagnostics based on patient survey data [82.41449972618423]
  新型コロナウイルス患者の効果的なスクリーニングを可能にするロジスティック回帰とXGBoost分類器が作成された。 得られた分類モデルは、DECODEサービス(decode.polsl.pl)の基礎を提供し、COVID-19病患者のスクリーニング支援に役立てることができる。 このデータセットは、3,000以上のサンプルで構成されており、ポーランドの病院で収集されたアンケートに基づいている。
  論文  参考訳（メタデータ） (2020-11-24T17:44:01Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)
• Individualized Prediction of COVID-19 Adverse outcomes with MLHO [9.197411456718708]
  我々は、反復的な特徴とアルゴリズムの選択を利用して健康状態を予測するエンドツーエンドの機械学習フレームワークを開発した。 入院前患者の健康状態と人口統計を表わす特徴として,約600点を用いた4つの有害な結果のモデル化を行った。 以上の結果から, 人口統計学的変数は, 新型コロナウイルス感染後の副作用の予測因子として重要であるが, 過去の臨床記録の組み入れは, 信頼性の高い予測モデルに欠かせないことが示唆された。
  論文  参考訳（メタデータ） (2020-08-10T02:44:52Z)

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。