論文の概要: SynEHR: Joint Modeling Inter-visit Temporal Evolution and Intra-visit Clinical Structure for Longitudinal EHR Synthesis

• arxiv url: http://arxiv.org/abs/2608.21673v1
• Date: Fri, 21 Aug 2026 22:32:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:43.369553
• Title: SynEHR: Joint Modeling Inter-visit Temporal Evolution and Intra-visit Clinical Structure for Longitudinal EHR Synthesis
• Title（参考訳）: SynEHR: 経時的経時的変化と経時的 EHR 合成のための臨床構造
• Abstract要約: 縦型EHR合成のための軽量適応LDMベースのフレームワークであるSynEHRを提案する。 SynEHRには2つの新しい設計があり、Temporal State Conditioning Moduleは訪問中の不規則な時間的状態をキャプチャし、Temporal-Relational Adaptation Moduleはこれらの状態と患者の履歴を組み合わせて患者固有の関係表現を動的に構築する。 実世界のEHRデータセットの忠実度、プライバシ、下流のユーティリティ評価に関する実験は、SynEHRがより臨床的に一貫性のある時間的忠実なEHRデータを生成することにより、最先端のモデルよりも優れていることを示した。
• 参考スコア（独自算出の注目度）: 5.630330002271569
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Longitudinal electronic health records (EHRs) document patients' sequences of clinical visits over time, preserving the temporal evolution of disease progression and care delivery. However, real longitudinal EHRs are difficult to access because they contain large amounts of fine-grained, patient-specific information. Synthetic EHR generation therefore provides a valuable approach for preserving the statistical patterns and clinical structure of patient visit trajectories, enabling broader modeling and analysis when real records are limited. Although recent generative models have made progress in producing future visit sequences, they remain limited in explicitly integrating inter-visit irregular temporal evolution and intra-visit clinical event structures in EHRs, leading to clinically inconsistent and temporally unrealistic visit sequences. In this work, we propose SynEHR, a lightweight adaptive LLM-based framework for longitudinal EHR synthesis. There are two novel designs in SynEHR, i.e., a Temporal State Conditioning Module captures irregular temporal states across visits and a Temporal-Relational Adaptation Module combines these states with patient history to dynamically construct patient-specific relational representations. SynEHR then builds on a parameter-efficient LoRA-adapted language-model generator with next-visit generation capability to train the two modules for temporally and clinically informed generation. Extensive experiments on real-world EHR datasets across fidelity, privacy, and downstream utility evaluations demonstrate that SynEHR outperforms state-of-the-art models by generating more clinically coherent and temporally faithful longitudinal EHR data.
• Abstract（参考訳）: 経時的電子健康記録(EHR)は、患者の臨床訪問の順序を経時的に記録し、疾患の進行とケア提供の時間的進化を保存している。 しかし, 患者固有の情報を多量に含むため, 実際の経時的 EHR はアクセスが困難である。 したがって, 患者訪問トラジェクトリの統計パターンと臨床構造を保存し, 実際の記録が限定された場合に, より広範なモデリングと解析を可能にするための, 合成ERH生成は有用である。 最近の世代モデルでは、将来の訪問シーケンスの生成が進んでいるが、視線間不規則な時間的進化と視線内イベント構造をEHRに明示的に統合することは、臨床的に矛盾し、時間的に非現実的な訪問シーケンスをもたらす。 本研究では,縦型EHR合成のための軽量適応LDMベースのフレームワークであるSynEHRを提案する。 SynEHRには2つの新しい設計があり、すなわち、時間的状態条件モジュールが訪問中の不規則な時間的状態をキャプチャし、時間的関係適応モジュールがこれらの状態と患者の履歴を組み合わせて患者固有の関係表現を動的に構築する。 次に、SynEHRはパラメータ効率の良いLoRA適応言語モデルジェネレータ上に構築され、2つのモジュールを時間的および臨床的にインフォメーションされた生成のために訓練する。 実世界のEHRデータセットに対する大規模な実験により、SynEHRは、より臨床的に一貫性があり、時間的に忠実な経時的EHRデータを生成することにより、最先端のモデルよりも優れていることが示された。

関連論文リスト

• CEHR-XGPT: A Scalable Multi-Task Foundation Model for Electronic Health Records [9.583050730170557]
  CEHR-XGPTは、ERHRデータの汎用基盤モデルである。 特徴表現、ゼロショット予測、合成データ生成の3つの重要な機能を統合する。 3つのタスクすべてに対して強力なパフォーマンスを示し、外部データセットに効果的に一般化する。
  論文  参考訳（メタデータ） (2025-09-03T18:50:03Z)
• 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)
• HC-LLM: Historical-Constrained Large Language Models for Radiology Report Generation [89.3260120072177]
  本稿では,放射線学レポート生成のための歴史制約付き大規模言語モデル (HC-LLM) フレームワークを提案する。 胸部X線写真から経時的特徴と経時的特徴を抽出し,疾患の進行を捉える診断報告を行った。 特に,本手法は,テスト中の履歴データなしでも良好に動作し,他のマルチモーダル大規模モデルにも容易に適用可能である。
  論文  参考訳（メタデータ） (2024-12-15T06:04:16Z)
• 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)
• 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)
• Synthesize High-dimensional Longitudinal Electronic Health Records via Hierarchical Autoregressive Language Model [40.473866438962034]
  合成電子健康記録は、機械学習(ML)モデリングと統計解析のための実際のEHRの代替として機能することができる。 階層型自己回帰言語mOdel(HALO)を提案する。
  論文  参考訳（メタデータ） (2023-04-04T23:53:34Z)
• Cumulative Stay-time Representation for Electronic Health Records in Medical Event Time Prediction [8.261597797345342]
  累積滞留時間表現(CTR)と呼ばれる新しいEMHデータ表現を提案する。 CTRはそのような累積的な健康状態を直接モデル化する。 我々は、ターゲットデータに適合する柔軟性を持つニューラルネットワークに基づくトレーニング可能なCTRの構築を導出する。
  論文  参考訳（メタデータ） (2022-04-28T12:34:41Z)
• Generating Synthetic Mixed-type Longitudinal Electronic Health Records for Artificial Intelligent Applications [9.374416143268892]
  EHR-M-GAN (Generative Adversarial Network, GAN) は、EHRデータを合成する。 EHR-M-GANは,141,488名の患者を対象とし,3つの公用集中治療単位データベース上で検証した。
  論文  参考訳（メタデータ） (2021-12-22T17:17:34Z)
• 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)
• Temporal Cascade and Structural Modelling of EHRs for Granular Readmission Prediction [10.943928059802174]
  本稿では,時間的カスケード関係をモデル化するための新しいモデルMEDCASを提案する。 MEDCASは、訪問タイプと時間ギャップをモデル化する点過程を、注目に基づくシーケンス・ツー・シーケンス学習モデルに統合する。 3つの実世界のEHRデータセットの実験を行い、ttexttMEDCASが両方のタスクで最先端のモデルより優れていることを示した。
  論文  参考訳（メタデータ） (2021-02-04T13:02:04Z)
• 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)
• Hide-and-Seek Privacy Challenge [88.49671206936259]
  NeurIPS 2020 Hide-and-Seek Privacy Challengeは、両方の問題を解決するための新しい2トラックの競争だ。 我々の頭から頭までのフォーマットでは、新しい高品質な集中ケア時系列データセットを用いて、合成データ生成トラック(「ヒッシャー」)と患者再識別トラック(「シーカー」)の参加者が直接対決する。
  論文  参考訳（メタデータ） (2020-07-23T15:50:59Z)
• Learning Dynamic and Personalized Comorbidity Networks from Event Data using Deep Diffusion Processes [102.02672176520382]
  コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。 電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。 我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
  論文  参考訳（メタデータ） (2020-01-08T15:47:08Z)

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。