Fugu-MT 論文翻訳(概要): Explainable Transformer Models for Clinical Prediction Tasks on Structured Electronic Health Records

論文の概要: Explainable Transformer Models for Clinical Prediction Tasks on Structured Electronic Health Records

arxiv url: http://arxiv.org/abs/2608.20315v1
Date: Thu, 20 Aug 2026 17:54:17 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-21 20:28:51.664373
Title: Explainable Transformer Models for Clinical Prediction Tasks on Structured Electronic Health Records
Title（参考訳）: 構造化電子健康記録における臨床予測課題のための説明可能な変圧器モデル
Abstract要約: BERT-LERは、7500万人の患者の特定されていないEHRデータセットから事前訓練および微調整されたEHRタイムラインを符号化したBERTスタイルのモデルである。提案手法は,一般のEHRShotベンチマークスイートと,実世界データに基づく喘息重症度進行調査に基づいてベンチマークを行った。我々のアーキテクチャと説明可能性のアプローチは多くの治療領域や予測タスクに適用できる。
参考スコア（独自算出の注目度）: 0.056212519098516295
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Predictive models over structured electronic health records (EHRs) remain central to machine learning for healthcare, but few have jointly emphasized quantitative laboratory information and interpretability with respect to input medical events. We present BERT-LER, a BERT-style model for coded EHR timelines pretrained and fine-tuned from a de-identified EHR dataset of 75 million patients, that encodes laboratory test results as discrete tokens while retaining graded information through percentile-based binning, paired with Integrated Gradients for token-level attributions grounded in the input EHR sequence. We benchmark our approach on the public EHRShot benchmark suite and on an asthma severity progression study based on real-world data. This addresses a methodological gap in EHR foundation-style modeling by unifying laboratory value representation and explainability in a single framework, while assessing whether both predictive performance and explanations generalize beyond standard clinical prediction tasks. Across EHRShot and asthma tasks, BERT-LER achieves predictive performance that is competitive with, and on laboratory-related tasks often exceeds, publicly available benchmark models, and provides attributions that align with clinically known risk factors. Our architecture and explainability approach can be applied to many therapeutic areas and prediction tasks using language models trained on structured EHRs.
Abstract（参考訳）: 構造化された電子健康記録(EHR)の予測モデルは、医療における機械学習の中心に留まっているが、入力された医療イベントに関して定量的な実験情報と解釈可能性を強調しているものはほとんどない。入力EHRシークエンスに基づいたトークンレベルの属性に対する統合グラディエントと組み合わせて、パーセンタイルベースのビンニングを通じて評価情報を保持しながら、実験結果を離散トークンとして符号化する、7500万人の非特定EHRデータセットから事前訓練および微調整を行ったBERTスタイルのBERT-LERを提案する。提案手法は,一般のEHRShotベンチマークスイートと,実世界データに基づく喘息重症度進行調査に基づいてベンチマークを行った。本研究は,1つのフレームワークにおける実験室の値表現と説明可能性を統合することによって,EHRファンデーションスタイルのモデリングにおける方法論的ギャップを解消すると同時に,予測性能と説明が標準臨床予測タスクを超えて一般化するか否かを評価する。 EHRShotタスクと喘息タスク全体で、BERT-LERは競合する予測パフォーマンスを達成し、実験室関連のタスクは、しばしば一般に利用可能なベンチマークモデルを超え、臨床的に知られているリスク要因と一致する属性を提供する。我々のアーキテクチャと説明可能性のアプローチは多くの治療領域や予測タスクに適用できる。

関連論文リスト

ChatHealthAI: Aligning Electronic Health Record Representations with Large Language Models for Grounded Clinical Reasoning [13.970166588273946]
大規模言語モデル (LLMs) は、臨床診断支援のための強力な自然言語推論能力を示す。本稿では,構造化EHR表現と凍結LDMの意味空間を整合させるマルチモーダル推論フレームワークChatHealthAIを提案する。その結果,ChatHealthAIは,競争予測性能を維持しつつ,推論品質と解釈可能性を向上させることがわかった。
論文参考訳（メタデータ） (2026-06-01T19:21:18Z)
EHR-RAGp: Retrieval-Augmented Prototype-Guided Foundation Model for Electronic Health Records [0.9989630065856642]
EHRは、豊富な縦断的な患者情報を含み、予測モデリングの応用に広く利用されている。 EHR-RAGpは,多種多様な臨床イベントタイプにまたがって,最も関連性の高い患者履歴を動的に統合する基盤モデルである。
論文参考訳（メタデータ） (2026-05-12T16:17:03Z)
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)
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)
Time-Aware Attention for Enhanced Electronic Health Records Modeling [8.4225455796455]
TALE-EHR は Transformer ベースのフレームワークで,連続的な時間的ギャップを明示的にモデル化する,新たなタイムアウェアアテンション機構を備えている。本手法は, 疾患進展予測などのタスクにおいて, 最先端のベースラインを上回っている。
論文参考訳（メタデータ） (2025-07-20T07:32:41Z)
Representation Learning of Lab Values via Masked AutoEncoders [2.785172582119726]
逐次的な実験値の計算のためのトランスフォーマーベースのマスク付きオートエンコーダフレームワークであるLab-MAEを提案する。 Lab-MAEは、患者の人口集団間で同等のパフォーマンスを達成し、臨床予測において公平性を向上させる。
論文参考訳（メタデータ） (2025-01-05T20:26:49Z)
Recent Advances in Predictive Modeling with Electronic Health Records [71.19967863320647]
EHRデータを予測モデリングに利用すると、その特徴からいくつかの課題が生じる。深層学習は、医療を含む様々な応用においてその優位性を示している。
論文参考訳（メタデータ） (2024-02-02T00:31:01Z)
MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文参考訳（メタデータ） (2023-10-04T01:36:30Z)
TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic Tree-Based Memory Network [54.332862955411656]
臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
論文参考訳（メタデータ） (2023-07-19T12:35:09Z)
SANSformers: Self-Supervised Forecasting in Electronic Health Records with Attention-Free Models [48.07469930813923]
本研究は,医療施設への患者訪問数を予測することにより,医療サービスの需要を予測することを目的とする。 SNSformerは、特定の帰納バイアスを設計し、EHRデータの特異な特徴を考慮に入れた、注意のない逐次モデルである。本研究は, 各種患者集団を対象とした医療利用予測の修正における, 注意力のないモデルと自己指導型事前訓練の有望な可能性について考察した。
論文参考訳（メタデータ） (2021-08-31T08:23:56Z)
Self-Supervised Graph Learning with Hyperbolic Embedding for Temporal Health Event Prediction [13.24834156675212]
本稿では,情報フローを組み込んだハイパーボリック埋め込み手法を提案する。我々は、これらの事前学習された表現をグラフニューラルネットワークに組み込んで、疾患の合併症を検出する。本稿では,EHRデータを完全に活用する自己教師付き学習フレームワークに,階層型で強化された履歴予測代行タスクを提案する。
論文参考訳（メタデータ） (2021-06-09T00:42:44Z)

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。