論文の概要: A Two-Stage Time-Aware Transformer for Short-Horizon AECOPD Risk Prediction
- arxiv url: http://arxiv.org/abs/2608.19578v1
- Date: Thu, 20 Aug 2026 02:45:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-21 20:28:51.436782
- Title: A Two-Stage Time-Aware Transformer for Short-Horizon AECOPD Risk Prediction
- Title（参考訳）: 短時間AECOPDリスク予測のための2段階時間対応変圧器
- Abstract要約: 直近の7日間の在宅人工呼吸器使用時の原圧および流れ波形を直接操作する2段階の枠組みを提案する。
第1段階分類モデルは、重度の増悪リスクの高い患者を特定する。
第2段階の回帰モデルでは、イベントが起こるまで何日残っているかを推定する。
- 参考スコア（独自算出の注目度）: 5.035252929378972
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Acute exacerbation of chronic obstructive pulmonary disease (AECOPD) can worsen rapidly, making timely prediction a clinical priority. Most existing machine learning approaches rely on episodically collected clinical variables, introducing delays that limit their practical utility in home monitoring settings. Home ventilators offer a lower-latency alternative, producing a near-continuous record of respiratory status during daily use. However existing ventilator-based approaches either compress the waveform into handcrafted features or focus primarily on binary risk classification, leaving the timing of an impending event unresolved. In this paper, we present a two-stage framework that operates directly on raw pressure and flow waveforms from the most recent seven days of home ventilator use. The first-stage classification model identifies patients at high risk of a severe exacerbation. The second-stage regression model then estimates how many days remain before the event occurs. Our experimental results demonstrate that the two-stage model outperforms traditional baseline models on both risk classification and time-to-event estimation, with our selected Stage 1 classifier achieving F1 = 0.91 and our Stage 2 regression model achieving RMSE = 1.00 days and R^2 = 0.76, giving clinicians both an early warning and actionable lead time before a severe exacerbation occurs.
- Abstract（参考訳）: 慢性閉塞性肺疾患(AECOPD)の急性増悪は急速に悪化し、タイムリーな予測が臨床上の優先事項となる。
既存の機械学習アプローチのほとんどは、家庭のモニタリング設定における実用性を制限する遅延を導入し、疫学的に収集された臨床変数に依存している。
家庭の人工呼吸器は低遅延の代替手段を提供しており、日常使用中の呼吸状態のほぼ連続的な記録を生み出している。
しかし、既存の人工呼吸器ベースのアプローチでは、波形を手作りの特徴に圧縮するか、主に二分リスク分類に重点を置いており、差し迫った出来事のタイミングは未解決のままである。
本稿では, 直近7日間の家庭人工呼吸器使用時の原圧および流れ波形を直接操作する2段階の枠組みを提案する。
第1段階分類モデルは、重度の増悪リスクの高い患者を特定する。
第2段階の回帰モデルでは、イベントが起こるまで何日残っているかを推定する。
F1 = 0.91とRMSE = 1.00日, R^2 = 0.76の回帰モデルを用いて, リスク分類と時間-イベント推定の双方において, 2段階モデルが従来のベースラインモデルより優れており, 臨床医は重度の悪化が起こる前に早期に警告と行動可能なリードタイムを与えることができた。
関連論文リスト
- Time-Aware Tranformer-Based Prediction Model for AECOPD [6.796722309215813]
我々は,Time-Aware Transformer を用いて有意義な患者表現を生成する,Time-Aware Transformer ベースの AECOPD 予測モデルを提案する。
実験の結果,タイムアウェア・トランスフォーマーをベースとしたアプローチは,従来の手法よりも複数の分類タスクにおいて優れていることがわかった。
論文 参考訳（メタデータ） (2026-08-21T17:31:23Z) - Intervention-Aware Clinical World Model for Post-Op Outcome Forecasting in Cardiology [8.701738697134955]
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。
論文 参考訳（メタデータ） (2026-08-13T17:38:13Z) - Wav2Arrest 2.0: Long-Horizon Cardiac Arrest Prediction with Time-to-Event Modeling, Identity-Invariance, and Pseudo-Lab Alignment [5.706374608871095]
高周波生理学的波形モダリティは、患者の状態に対する深いリアルタイムな洞察を提供する。
近年、心臓発作を含む重要な事象を予測するための生理学的基礎モデルが示されている。
最小限の補助情報を用いてPSGのみのCAシステムを改善するための3つの改良点を提案する。
論文 参考訳（メタデータ） (2025-09-25T23:46:39Z) - Continuous Cardiac Arrest Prediction in ICU using PPG Foundation Model [6.469423282286416]
急性の健康イベントの追跡と予測のための非侵襲的な患者モニタリングは、新たな研究分野である。
深達度表現のみを用いたICU患者のIHCA予測結果について報告する。
また,潜在空間における患者の健康軌道のアーキテクチャチューニングとPaCMAP可視化を通じて,モデル全体を包括的に分析する。
論文 参考訳（メタデータ） (2025-02-12T18:01:04Z) - 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) - CenTime: Event-Conditional Modelling of Censoring in Survival Analysis [49.44664144472712]
CenTimeは、イベントへの時間を直接見積もる、サバイバル分析の新しいアプローチである。
本手法は,非検閲データが少ない場合でも,堅牢なイベント条件検閲機構を特徴とする。
以上の結果から,CenTimeは同等の性能を維持しつつ,死までの時間を予測する上で,最先端のパフォーマンスを提供することがわかった。
論文 参考訳（メタデータ） (2023-09-07T17:07:33Z) - Automatic diagnosis of knee osteoarthritis severity using Swin
transformer [55.01037422579516]
変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。
我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
論文 参考訳（メタデータ） (2023-07-10T09:49:30Z) - SurvLatent ODE : A Neural ODE based time-to-event model with competing
risks for longitudinal data improves cancer-associated Deep Vein Thrombosis
(DVT) prediction [68.8204255655161]
本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。
そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。
SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
論文 参考訳（メタデータ） (2022-04-20T17:28:08Z) - COVID-19 Prognosis via Self-Supervised Representation Learning and
Multi-Image Prediction [32.91440827855392]
胸部X線に基づいて2種類の患者の劣化を予測するタスクを検討する。
新型コロナウイルス(covid-19)患者のデータが少ないため、既存のソリューションは、関連しない画像で教師付き事前トレーニングを利用する。
本論文では,前訓練段階における運動量コントラスト(MoCo)法に基づく自己監督学習を用いて,下流タスクに用いる一般的な画像表現を学習する。
論文 参考訳（メタデータ） (2021-01-13T07:03:17Z) - STELAR: Spatio-temporal Tensor Factorization with Latent Epidemiological
Regularization [76.57716281104938]
我々は,多くの地域の流行傾向を同時に予測するテンソル法を開発した。
stelarは離散時間差分方程式のシステムを通じて潜在時間正規化を組み込むことで長期予測を可能にする。
我々は、カウンティレベルと州レベルのCOVID-19データの両方を用いて実験を行い、このモデルが流行の興味深い潜伏パターンを識別できることを示します。
論文 参考訳（メタデータ） (2020-12-08T21:21:47Z) - A Knowledge Distillation Ensemble Framework for Predicting Short and
Long-term Hospitalisation Outcomes from Electronic Health Records Data [5.844828229178025]
既存の結果予測モデルは、頻繁なポジティブな結果の低いリコールに悩まされる。
我々は、死亡率とICUの受け入れによって表される逆さを自動的に予測する、高度にスケーリング可能な、堅牢な機械学習フレームワークを提案する。
論文 参考訳（メタデータ） (2020-11-18T15:56:28Z) - A General Framework for Survival Analysis and Multi-State Modelling [70.31153478610229]
ニューラル常微分方程式を多状態生存モデル推定のためのフレキシブルで一般的な方法として用いる。
また,本モデルでは,サバイバルデータセット上での最先端性能を示すとともに,マルチステート環境での有効性を示す。
論文 参考訳（メタデータ） (2020-06-08T19:24:54Z)
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。