論文の概要: Predicting Early Functional Decline from Longitudinal Laboratory and Vital Sign Trajectories: A Large-Scale Study Using the All of Us Research Program
- arxiv url: http://arxiv.org/abs/2608.21589v1
- Date: Fri, 21 Aug 2026 19:49:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-25 18:24:36.913032
- Title: Predicting Early Functional Decline from Longitudinal Laboratory and Vital Sign Trajectories: A Large-Scale Study Using the All of Us Research Program
- Title（参考訳）: 縦断実験室とバイタルサイン軌道からの早期機能低下の予測--全Us研究プログラムを用いた大規模研究
- Abstract要約: 高齢者の機能低下は通常、転倒や歩行障害の後にのみ認識され、予防のために窓を閉じる。
本研究は, 周期的バイオマーカーの時間的軌跡が, 移動性低下の前臨床段階の患者を識別できるかどうかを検討した。
- 参考スコア（独自算出の注目度）: 0.5759786704638064
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Functional decline in older adults is typically recognized only after falls or observable gait impairment, closing the window for prevention. We investigated whether temporal trajectories of routine biomarkers, already recorded but rarely analyzed longitudinally, can identify patients in the pre-clinical phase of mobility decline. Using the All of Us Research Program (N = 297,861; 11.1% cases), we derived trajectory features (slope, variability, delta, mean) for twelve biomarkers over a three-year pre-index window. LightGBM models incorporating trajectories significantly outperformed static laboratory summaries (AUROC 0.797 vs. 0.755; DeLong p < 0.001; AUPRC 0.380 vs. 0.304). A 1:1 age- and sex-matched analysis confirmed an independent trajectory signal (AUROC 0.727 vs. demographics-only 0.680). A horizon analysis demonstrated sustained prediction 3-12 months before decline onset (AUROC 0.768-0.740). Because the model uses only measurements already ordered in routine care, it supports passive, zero-burden EHR integration for early detection of pre-clinical functional decline.
- Abstract（参考訳）: 高齢者の機能低下は通常、転倒や歩行障害の後にのみ認識され、予防のために窓を閉じる。
日常的なバイオマーカーの経時的軌跡は, すでに記録されているが, 経時的に解析されることは稀であり, 運動性低下の前臨床段階の患者を識別できるかどうかを検討した。
全Us研究プログラム (N = 297,861; 11.1%) を用いて, 3年前の窓に12個のバイオマーカーの軌跡(傾斜,変動性,デルタ,平均)を抽出した。
軌道を組み込んだLightGBMモデルは静的実験室のサマリー(AUROC 0.797 vs. 0.755; DeLong p < 0.001; AUPRC 0.380 vs. 0.304)より大幅に優れていた。
1:1 歳と性別が一致した分析では、独立した軌道信号(AUROC 0.727 vs. 人口統計(英語版) 0.680)が確認された。
AUROC 0.768-0.740) による地平線解析では3～12カ月前の持続予測が得られた。
このモデルは、すでにルーチンケアで注文された測定値のみを使用するため、前臨床機能低下を早期に検出するために、パッシブなゼロバーデンEHR統合をサポートする。
関連論文リスト
- Interpretable Machine Learning for Antepartum Prediction of Pregnancy-Associated Thrombotic Microangiopathy Using Routine Longitudinal Laboratory Data [20.314650315287775]
P-TMAでは, 早期のリスク予測が困難である。
本研究は機械学習を用いて長期臨床検査から潜伏時間依存型リスクシグネチャを抽出した。
モデルは0.872のAUROCと0.883のAUPRCを保持試験コホートで達成し、感度は0.750、特異度は0.812である。
論文 参考訳（メタデータ） (2026-05-13T17:07:00Z) - A Breast Vision Pathology Foundation Model for Real-world Clinical Utility [65.57568187389113]
a bfBRAVE, a breast-adaptive pathology foundation model developed and evaluation using a total resources of 101,638 breast wholeslide images。
臨床ワークフローにおけるBRAVEの実践的役割は、通常のAI支援による第2レビューから低リスクのケースを安全に排除すること、そしてさらなる評価のためのケースの優先順位付けなどである。
論文 参考訳（メタデータ） (2026-05-06T07:44:39Z) - Suppressing Prior-Comparison Hallucinations in Radiology Report Generation via Semantically Decoupled Latent Steering [94.37535002230504]
本研究では,Semantically Decoupled Latent Steeringと呼ばれる学習自由な推論時間制御フレームワークを開発した。
提案手法は,大言語モデル (LLM) による意味分解による意味のない介入ベクトルを構築する。
本手法は歴史的幻覚の可能性を著しく低下させることを示す。
論文 参考訳（メタデータ） (2026-02-27T04:49:01Z) - Externally Validated Longitudinal GRU Model for Visit-Level 180-Day Mortality Risk in Metastatic Castration-Resistant Prostate Cancer [0.5361389213879222]
転移性カストレーション耐性前立腺癌 (mCRPC) は予後不良と不均一な治療反応を有する高攻撃性疾患である。
我々は,2つのフェーズIIIコホートからの縦断データを用いて,訪問レベル180日間の死亡リスクモデルを開発し,検証した。
論文 参考訳（メタデータ） (2026-01-27T20:48:53Z) - Explainable Admission-Level Predictive Modeling for Prolonged Hospital Stay in Elderly Populations: Challenges in Low- and Middle-Income Countries [65.4286079244589]
長期滞在期間 (pLoS) は, 院内感染のリスクに関連する重要な要因である。
入院レベルの患者と病院の診療データを用いて, pLosの予測モデルを開発し, 解説する。
論文 参考訳（メタデータ） (2026-01-07T23:35:24Z) - A Novel Attention-Augmented Wavelet YOLO System for Real-time Brain Vessel Segmentation on Transcranial Color-coded Doppler [49.03919553747297]
我々は,脳動脈を効率よく捉えることができるAIを利用したリアルタイムCoW自動分割システムを提案する。
Transcranial Color-coded Doppler (TCCD) を用いたAIによる脳血管セグメンテーションの事前研究は行われていない。
提案したAAW-YOLOは, 異方性および対側性CoW容器のセグメンテーションにおいて高い性能を示した。
論文 参考訳（メタデータ） (2025-08-19T14:41:22Z) - A SHAP-based explainable multi-level stacking ensemble learning method for predicting the length of stay in acute stroke [3.2906073576204955]
既存の機械学習モデルは、最適以下の予測性能、限定的な一般化可能性を示し、システムレベルの要因を見落としている。
我々は,虚血性脳梗塞と出血性脳梗塞に対する解釈可能な多段階重ねアンサンブルモデルを開発した。
説明可能なアンサンブルモデルは,虚血性脳卒中におけるLOSの延長を効果的に予測する。
出血性脳卒中にはさらなる検証が必要である。
論文 参考訳（メタデータ） (2025-05-30T01:08:26Z) - Predicting Length of Stay in Neurological ICU Patients Using Classical Machine Learning and Neural Network Models: A Benchmark Study on MIMIC-IV [49.1574468325115]
本研究は、MIMIC-IVデータセットに基づく神経疾患患者を対象とした、ICUにおけるLOS予測のための複数のMLアプローチについて検討する。
評価されたモデルには、古典的MLアルゴリズム(K-Nearest Neighbors、Random Forest、XGBoost、CatBoost)とニューラルネットワーク(LSTM、BERT、テンポラルフュージョントランス)が含まれる。
論文 参考訳（メタデータ） (2025-05-23T14:06:42Z) - Ensemble Survival Analysis for Preclinical Cognitive Decline Prediction in Alzheimer's Disease Using Longitudinal Biomarkers [0.9509915687694127]
従来の生存モデルは、病気の進行に伴う複雑な縦長のバイオマーカーパターンを捉えることができない。
臨床経過の早期予測を改善するために,複数の生存モデルを統合するアンサンブルサバイバル分析フレームワークを提案する。
ベースライン後の1回の訪問は予測精度を大幅に改善した(48.1%のCインデックス、48.2%のAUCゲイン)。
論文 参考訳（メタデータ） (2025-03-20T18:56:32Z) - 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) - Machine learning predicts long-term mortality after acute myocardial
infarction using systolic time intervals and routinely collected clinical
data [0.35998666903987897]
樹齢14年以内の死亡率を予測するため,木に基づくMLアルゴリズムの性能について検討した。
機能セットにbPEPとbETを追加することで,アルゴリズムの性能が大幅に向上した。
この進歩は、リスクの高い個人に対してより良い治療優先順位付けを可能にする可能性がある。
論文 参考訳（メタデータ） (2024-03-03T15:23:49Z)
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。