論文の概要: Multimodal Prompt Learning with Irregular EHRs for Robust Monitoring of Critical Care Patients

• arxiv url: http://arxiv.org/abs/2608.21941v1
• Date: Sat, 22 Aug 2026 12:49:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:43.53949
• Title: Multimodal Prompt Learning with Irregular EHRs for Robust Monitoring of Critical Care Patients
• Title（参考訳）: 要介護患者のロバストモニタリングのための不規則EHRを用いたマルチモーダル・プロンプト学習
• Abstract要約: 多様な欠落シナリオ下での堅牢な臨床予測のためのマルチモーダル・プロンプト学習フレームワークを提案する。 生成プロンプトは、利用できないモダリティのための潜在表現を代理するが、欠落信号プロンプトは、観測された表現と生成された表現を区別する。 提案手法は,2つの欠落度設定における評価指標間の既存手法よりも優れる。
• 参考スコア（独自算出の注目度）: 7.355504522142393
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate assessment of patients in intensive care units (ICUs) is essential for timely clinical intervention and improved patient outcomes. Multimodal electronic health records (EHRs), including structured physiological time series and longitudinal clinical notes, provide complementary information for critical care prediction. However, in real-world clinical settings, individual modalities may be partially observed or entirely unavailable, resulting in substantial performance degradation for existing multimodal models. To address this challenge, we propose a multimodal prompt-learning framework for robust clinical prediction under diverse missing-modality scenarios. The proposed framework introduces four complementary types of prompts: generative prompts, missing-signal prompts, missing-type prompts, and temporal prompts. Generative prompts construct surrogate latent representations for unavailable modalities, while missing-signal prompts distinguish observed representations from generated ones. Missing-type prompts condition the model on different modality-availability configurations, whereas temporal prompts perform condition-specific aggregation over temporally encoded clinical sequences. Together, these prompts enable the model to capture missingness-aware intramodal dependencies and cross-modal interactions within a unified architecture. Extensive experiments demonstrate that our method outperforms existing approaches across evaluation metrics on two missingness settings. Ablation and robustness analyses further verify the complementary contributions of the four prompt types and the effectiveness of the proposed framework for clinical prediction from incomplete multimodal EHR data.
• Abstract（参考訳）: 集中治療室(ICUs)患者の正確な評価は、タイムリーな臨床介入と患者の成果改善に不可欠である。 EHR(Multimodal Electronic Health Record)は、構造化された生理的時系列と縦断的な臨床ノートを含む、重要なケア予測のための補完情報を提供する。 しかし、実際の臨床環境では、個々のモダリティは部分的に観察されるか、完全には利用できない可能性があるため、既存のマルチモーダルモデルの性能は大幅に低下する。 この課題に対処するために,多様なモダリティシナリオ下での堅牢な臨床予測のためのマルチモーダル・プロンプト学習フレームワークを提案する。 提案フレームワークでは、生成的プロンプト、欠落信号プロンプト、欠落型プロンプト、時間的プロンプトの4つの相補的なタイプのプロンプトを導入している。 生成プロンプトは、利用できないモダリティのための潜在表現を代理するが、欠落信号プロンプトは、観測された表現と生成された表現を区別する。 欠落型は、異なるモダリティ・アベイラビリティ構成のモデルに条件を与え、一方、時間的プロンプトは、時間的エンコードされた臨床シーケンスに対して条件特異的アグリゲーションを実行する。 これらのプロンプトによって、統一アーキテクチャ内の欠如を意識したモダル内依存関係や相互モダル相互作用をキャプチャできる。 大規模な実験により,本手法は2つの欠落状況における評価指標の既存手法よりも優れていることが示された。 アブレーションとロバストネス分析により,4つのプロンプト型の相補的寄与と,不完全多モードEMHデータによる臨床予測のためのフレームワークの有効性が検証された。

関連論文リスト

• Cross-Contextual Vision-Language Adaptation with LoRA for Personalized Severe Adverse Event Detection in Clinical Wound Monitoring [28.387322144750726]
  本稿では,自動創傷モニタリングとSAE検出のためのマルチモーダルフレームワークを提案する。 本手法では, 外観, 周囲の皮膚状態, 色の変化, 炎症や治癒の兆候など, 視覚的特徴を捉えた臨床記録と創傷記述を併用する。 臨床訪問を通じて収集した縦断傷データセットの実験は、創傷治癒評価とSAE検出の両方に有望な性能を示した。
  論文  参考訳（メタデータ） (2026-07-06T20:32:30Z)
• AgentsEval: Clinically Faithful Evaluation of Medical Imaging Reports via Multi-Agent Reasoning [73.50200033931148]
  本稿では,放射線科医の協調診断ワークフローをエミュレートしたマルチエージェントストリーム推論フレームワークであるAgensEvalを紹介する。 評価プロセスを基準定義、エビデンス抽出、アライメント、一貫性スコアなどの解釈可能なステップに分割することで、AgensEvalは明確な推論トレースと構造化された臨床フィードバックを提供する。 実験結果から,AgensEvalは,言い換え,意味的,スタイリスティックな摂動の下でも頑健な臨床的整合性,意味的忠実性,解釈可能な評価を提供することが示された。
  論文  参考訳（メタデータ） (2026-01-23T11:59:13Z)
• CURENet: Combining Unified Representations for Efficient Chronic Disease Prediction [24.569877750738286]
  CURENetは、構造化されていない臨床ノート、検査結果、患者の時系列データを統合するマルチモーダルモデルである。 CURENetは、さまざまな臨床データ間の複雑な相互作用を捉え、慢性疾患のより信頼性の高い予測モデルを作成することができる。
  論文  参考訳（メタデータ） (2025-11-14T15:52:22Z)
• ProMedTS: A Self-Supervised, Prompt-Guided Multimodal Approach for Integrating Medical Text and Time Series [27.70300880284899]
  大規模言語モデル (LLM) は、視覚の細かいタスクにおいて顕著な性能を示してきたが、医療分野におけるそれらの応用はいまだに探索されていない。 ProMedTSは、データ型を統一するために、プロンプト誘導学習を利用する、新しい自己教師型マルチモーダルフレームワークである。 実世界のデータセットを用いた診断タスクにおけるProMedTSの評価を行い,本手法が常に最先端の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2025-02-19T07:56:48Z)
• CTPD: Cross-Modal Temporal Pattern Discovery for Enhanced Multimodal Electronic Health Records Analysis [50.56875995511431]
  マルチモーダルEHRデータから有意な時間的パターンを効率的に抽出するために,CTPD(Cross-Modal Temporal Pattern Discovery)フレームワークを導入する。 提案手法では,時間的セマンティックな埋め込みを生成するためにスロットアテンションを用いて改良された時間的パターン表現を提案する。
  論文  参考訳（メタデータ） (2024-11-01T15:54:07Z)
• 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)
• Temporal Cross-Attention for Dynamic Embedding and Tokenization of Multimodal Electronic Health Records [1.6609516435725236]
  マルチモーダルな臨床時系列を正確に表現するための動的埋め込み・トークン化フレームワークを提案する。 術後合併症9例の発症予測に基礎的アプローチを応用した。
  論文  参考訳（メタデータ） (2024-03-06T19:46:44Z)
• T-Phenotype: Discovering Phenotypes of Predictive Temporal Patterns in Disease Progression [82.85825388788567]
  我々は、ラベル付き時系列データから予測時相パターンの表現型を発見するために、新しい時間的クラスタリング手法T-Phenotypeを開発した。 T-フェノタイプは, 評価ベースラインのすべてに対して, 最良の表現型発見性能を示す。
  論文  参考訳（メタデータ） (2023-02-24T13:30:35Z)
• Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
  臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。 退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。 複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
  論文  参考訳（メタデータ） (2021-02-08T10:26:44Z)
• BiteNet: Bidirectional Temporal Encoder Network to Predict Medical Outcomes [53.163089893876645]
  本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。 エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。 実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
  論文  参考訳（メタデータ） (2020-09-24T00:42:36Z)

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。