Fugu-MT 論文翻訳(概要): Time-Aware Tranformer-Based Prediction Model for AECOPD

論文の概要: Time-Aware Tranformer-Based Prediction Model for AECOPD

arxiv url: http://arxiv.org/abs/2608.21324v1
Date: Fri, 21 Aug 2026 17:31:23 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-24 14:49:32.661819
Title: Time-Aware Tranformer-Based Prediction Model for AECOPD
Title（参考訳）: AECOPDの時間認識トランフォーマに基づく予測モデル
Abstract要約: 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。
参考スコア（独自算出の注目度）: 6.796722309215813
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The rapid symptom change of Acute exacerbation of chronic obstructive pulmonary disease (AECOPD) makes it critical to have time-sensitive prediction models. However, most current machine learning models studying AECOPD use clinical and laboratory data, which will inevitably cause latency. To ensure timely detection of AECOPD and minimize latency, this paper focuses on home monitoring scenarios where only respiratory data from daily-use ventilators is available. We introduce a Time-Aware transformer-based AECOPD prediction model, which generates meaningful patient representations using the Time-Aware transformer to capture the symptoms and their temporal progression in ventilator data. Our experimental results demonstrate that our Time-Aware transformer-based approach outperforms traditional methods in multiple classification tasks, highlighting its potential to enhance AECOPD prediction accuracy.
Abstract（参考訳）: 慢性閉塞性肺疾患(AECOPD)の急性増悪の急激な症状変化は、時間感受性予測モデルを持つことを重要視している。しかしながら、AECOPDを研究する現在の機械学習モデルのほとんどは臨床と実験室のデータを使用しており、必然的に遅延を引き起こす。 AECOPDのタイムリーな検出とレイテンシの最小化のために,本論文では,日用換気装置からの呼吸データのみを利用できる家庭内モニタリングのシナリオに焦点を当てる。本稿では,Time-Aware Transformerを用いたAECOPD予測モデルを提案する。実験の結果,時間認識トランスフォーマーを用いた手法は,複数の分類タスクにおいて従来の手法よりも優れており,AECOPD予測精度が向上する可能性が示された。

関連論文リスト

Large-Small Model Collaboration for Zero-Shot Surgical Phase Recognition [45.191945465591374]
外科的位相認識のためのタスク固有の軽量モデルは、時間的ダイナミクスを捉えるのに優れているが、ドメインシフト下での一般化は不十分である。 textbfLarge-textbfSmall textbfTemporal adaptation (textbfLaST)を提案する。
論文参考訳（メタデータ） (2026-08-24T07:06:52Z)
A Two-Stage Time-Aware Transformer for Short-Horizon AECOPD Risk Prediction [5.035252929378972]
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。
論文参考訳（メタデータ） (2026-08-20T02:45:43Z)
Calibration-Free EEG-based Driver Drowsiness Detection with Online Test-Time Adaptation [43.83587667787693]
ドローシー・ドライビングは交通事故の増大の原因であり、脳波に基づくドローシー検知システム(EEG)の最近の探索を促している。特に,脳波信号の物体間変動は,領域シフトの問題を引き起こす。そこで本稿では,オンラインテスト時間適応手法を利用して対象対象の分布に動的に適応する新しいドライバの眠気検出フレームワークを提案する。
論文参考訳（メタデータ） (2025-11-27T02:27:10Z)
PT: A Plain Transformer is Good Hospital Readmission Predictor [1.2695170900407071]
高い寛容率はしばしば不適切な治療や退院後のケアを示す。本稿では,電子健康記録(EHR),医用画像,臨床ノートを統合したトランスフォーマーベースモデルPTを提案する。 PTは生のデータから特徴を抽出し、データの複雑さに合わせて専用のTransformerブロックを使用する。
論文参考訳（メタデータ） (2024-12-17T13:37:11Z)
Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
論文参考訳（メタデータ） (2024-07-10T19:17:23Z)
Synthesizing Multimodal Electronic Health Records via Predictive Diffusion Models [69.06149482021071]
EHRPDと呼ばれる新しいEHRデータ生成モデルを提案する。時間間隔推定を組み込んだ拡散モデルである。我々は2つの公開データセットで実験を行い、忠実さ、プライバシー、実用性の観点からEPHPDを評価する。
論文参考訳（メタデータ） (2024-06-20T02:20:23Z)
REST: Efficient and Accelerated EEG Seizure Analysis through Residual State Updates [54.96885726053036]
本稿では,リアルタイム脳波信号解析のための新しいグラフベース残状態更新機構(REST)を提案する。グラフニューラルネットワークとリカレント構造の組み合わせを活用することで、RESTは、非ユークリッド幾何学とEEGデータ内の時間的依存関係の両方を効率的にキャプチャする。本モデルは,発作検出と分類作業において高い精度を示す。
論文参考訳（メタデータ） (2024-06-03T16:30:19Z)
Improving Diffusion Models for ECG Imputation with an Augmented Template Prior [43.6099225257178]
ノイズと品質の悪い録音は、モバイルヘルスシステムを使って収集された信号にとって大きな問題である。近年の研究では、確率的時系列モデルによるECGの欠落値の計算が検討されている。本稿では,様々な健康状態の事前情報として,テンプレート誘導型拡散確率モデル(DDPM)PulseDiffを提案する。
論文参考訳（メタデータ） (2023-10-24T11:34:15Z)
Forecasting Patient Flows with Pandemic Induced Concept Drift using Explainable Machine Learning [0.0]
本研究では,患者フローの予測モデルを改善する新しい準リアルタイム変数群について検討した。新型コロナウイルス(COVID-19)のアラートレベル(Alert Level)機能は、Googleの検索語や歩行者のトラフィックとともに、一般的な予測を生成するのに効果的だった。
論文参考訳（メタデータ） (2022-11-01T20:42:26Z)
Latent Temporal Flows for Multivariate Analysis of Wearables Data [0.9990687944474738]
本稿では,この設定に適した時系列の多変量モデリング手法であるLatent Temporal Flowsを紹介する。提案手法は,マルチステップ予測ベンチマークにおいて常に最先端の手法よりも優れていることを示す。
論文参考訳（メタデータ） (2022-10-14T02:54:34Z)
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)
Bidirectional Representation Learning from Transformers using Multimodal Electronic Health Record Data to Predict Depression [11.1492931066686]
うつ病の予測のために,ERHシーケンス上で双方向の表現学習を行うための時間的深層学習モデルを提案する。このモデルでは, 曲線(PRAUC)下において, 最良ベースラインモデルと比較して, 抑うつ予測において0.70から0.76まで, 精度・リコール面積の最大値が得られた。
論文参考訳（メタデータ） (2020-09-26T17:56:37Z)

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。