論文の概要: Clinical Graph-JEPA: Predictive Patient-State Knowledge Graphs for Cognitive Decision Support
- arxiv url: http://arxiv.org/abs/2608.22583v2
- Date: Wed, 26 Aug 2026 16:49:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-27 14:15:14.987015
- Title: Clinical Graph-JEPA: Predictive Patient-State Knowledge Graphs for Cognitive Decision Support
- Title（参考訳）: 臨床グラフJEPA:認知的意思決定支援のための予測的患者状態知識グラフ
- Authors: Kushagra Yadav, Nalin Prabhath, Amit Lamba, James E. Schrager, Goeun Han, Yining Mao,
- Abstract要約: 臨床知識グラフの構築と改善の枠組みを提案する。
臨床知識グラフを静的抽出アーティファクトとして扱うのではなく,予測的患者状態表現として扱う。
我々は, 漏れのない残余エッジ回復とバッチマスクのホールドアウト評価を用いて, 精製器の評価を行った。
- 参考スコア（独自算出の注目度）: 1.6323661670304108
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Clinical records contain rich evidence about patient state, but converting that evidence into reliable, structured knowledge graphs remains difficult because extraction errors, ontology mismatch, missing relations, and temporal ambiguity can propagate into downstream systems. We propose a clinical knowledge graph construction and refinement framework that combines multi-agent relation proposal, ontology-aware normalization, deterministic evidence scoring, and JEPA-based latent refinement. Rather than treating a clinical knowledge graph as a static extraction artifact, we treat it as a predictive patient-state representation. For each admission, the system constructs an evidence-scored graph from structured MIMIC-IV records and inferred clinical cross-links, then learns to recover held-out clinical relations from the observed graph context. We evaluate the refiner with leakage-free leave-one-out edge recovery (MRR and Hits@k) and held-out batch-mask evaluation (AUC and MRR). To isolate the contribution of discharge-note context, we compare a note-embedding-free configuration with a note-augmented configuration that injects real discharge-note representations only into note-grounded entities. Under the same cohort and evaluation protocol, entity-grounded note injection improves overall leave-one-out MRR by 31% relative improvement.
- Abstract（参考訳）: 臨床記録には患者の状態に関する豊富な証拠が含まれているが、その証拠を信頼できる構造化された知識グラフに変換することは、抽出エラー、オントロジーミスマッチ、欠落関係、時間的曖昧さが下流システムに伝播しうるため、依然として困難である。
本稿では,マルチエージェント関係の提案,オントロジーを意識した正規化,決定論的エビデンススコア,JEPAに基づく潜在リファインメントを併用した臨床知識グラフ構築・リファインメントフレームワークを提案する。
臨床知識グラフを静的抽出アーティファクトとして扱うのではなく,予測的患者状態表現として扱う。
各入院について、構造化MIMIC-IVレコードからエビデンスマーク付きグラフを構築し、臨床クロスリンクを推定し、観察されたグラフコンテキストから臨床関係を回復する。
バッチマスク評価 (AUC, MRR) とHits@k (Hits@k) を併用し, バッチマスク評価 (AUC, MRR) を行った。
注記コンテキストのコントリビューションを分離するために、注記埋め込み不要な構成と、実際の注記表現を注記付きエンティティにのみ注入する注記拡張構成を比較した。
同じコホートおよび評価プロトコルの下で、エンティティ・グラウンドド・ノート・インジェクションは、全体の残高を31%改善する。
関連論文リスト
- Multimodal Graph-based Classification of Esophageal Motility Disorders [73.90451172929117]
食道運動障害の診断は,高分解能インピーダンス測定データの複雑化と臨床解釈の多様性が原因で大きな課題となる。
本研究は,HRIM記録と患者固有の情報を組み合わせたマルチモーダル機械学習に基づく分類手法の実現可能性について検討し,食道生理学のグラフベースモデリングを取り入れた。
論文 参考訳（メタデータ） (2026-05-13T14:52:12Z) - KEPIL: Knowledge-Enhanced Prompt-Image Learning for Prompt-Robust Disease Detection [6.447908430647854]
放射線学的所見は、実際には長い尾を持つが、いくつかの条件は表現されておらず、ゼロショット推論が不可欠である。
我々は、ゼロショットの一般化を安定させるために、キュレートされた医療知識を統合するプロンプトロバストフレームワークであるtextitKEPILを提案する。
論文 参考訳（メタデータ） (2026-05-09T19:29:01Z) - Detecting Clinical Discrepancies in Health Coaching Agents: A Dual-Stream Memory and Reconciliation Architecture [71.46525715889656]
汎用エージェントメモリシステムは、ユーザの最新のステートメントで古い事実を上書きすることでコヒーレンスを最適化する。
本稿では,患者の物語を構造化された臨床記録から厳密に分離するDual-Stream Memory Architectureを提案する。
675日間のウェルネスコーチングセッションにおいて,26名の患者を対象にこのアーキテクチャを評価した。
論文 参考訳（メタデータ） (2026-04-29T17:59:28Z) - Agentic Cognitive Profiling: Realigning Automated Alzheimer's Disease Detection with Clinical Construct Validity [66.94391219005291]
本稿では,臨床プロトコルロジックによる自動スクリーニングを実現するエージェント認知プロファイリング(ACP)を提案する。
我々の設計の中心は、すべての定量化を決定論的関数呼び出しに委譲することで、測定から意味的理解を分離することである。
ACPは、タスク試験で90.5%のスコアマッチ率、AD予測で85.3%の精度を達成し、一般的な基準を上回っている。
論文 参考訳（メタデータ） (2026-03-18T06:15:35Z) - MED-COPILOT: A Medical Assistant Powered by GraphRAG and Similar Patient Case Retrieval [12.265116154395434]
MED-COPILOTは,臨床医と研修医を対象としたインタラクティブな臨床意思決定支援システムである。
このシステムはWHOとNICEのガイドラインから構造化知識グラフを構築し、効率的な検索にコミュニティレベルの要約を適用し、36,000ケースの類似患者データベースを維持している。
論文 参考訳（メタデータ） (2026-02-28T04:32:03Z) - Clinical Knowledge Graph Construction and Evaluation with Multi-LLMs via Retrieval-Augmented Generation [1.155620308725562]
大規模言語モデル(LLM)は、構造化されていない臨床物語から知識グラフを構築する新しい機会を提供する。
既存のアプローチは、しばしば構造化された入力に依存し、事実の正確さと意味的な一貫性の堅牢な検証が欠如している。
マルチエージェントプロンプトとスキーマ制約付き検索・拡張生成戦略を用いた臨床用KG構築のためのエンドツーエンドフレームワークを提案する。
論文 参考訳（メタデータ） (2026-01-05T07:16:29Z) - MIRNet: Integrating Constrained Graph-Based Reasoning with Pre-training for Diagnostic Medical Imaging [67.74482877175797]
MIRNetは、自己教師付き事前学習と制約付きグラフベースの推論を統合する新しいフレームワークである。
TongueAtlas-4Kは,22の診断ラベルを付した4,000枚の画像からなるベンチマークである。
論文 参考訳（メタデータ） (2025-11-13T06:30:41Z) - KEEP: Integrating Medical Ontologies with Clinical Data for Robust Code Embeddings [0.555923706082834]
KEEP(Knowledge Preserving and Empirically refined Embedding Process)は、知識グラフの埋め込みと臨床データからの適応学習を組み合わせた効率的なフレームワークである。
KEEPは,意味的関係の把握や臨床結果の予測において,従来の言語モデルに基づくアプローチよりも優れていることを示す。
論文 参考訳（メタデータ） (2025-10-06T17:27:54Z) - Self-Supervised Anatomical Consistency Learning for Vision-Grounded Medical Report Generation [61.350584471060756]
医用画像の臨床的に正確な記述を作成することを目的とした医用レポート生成。
本稿では, 自己監督型解剖学的一貫性学習(SS-ACL)を提案し, 生成された報告を対応する解剖学的領域と整合させる。
SS-ACLは、ヒト解剖学の不変のトップダウン包摂構造にインスパイアされた階層的な解剖学的グラフを構築する。
論文 参考訳（メタデータ） (2025-09-30T08:59:06Z) - HiRef: Leveraging Hierarchical Ontology and Network Refinement for Robust Medication Recommendation [17.45722229030237]
我々は、ロバストメディカルレコメンデーション(HiRef)のための階層的オントロジーとネットワークリファインメントを提案する。
我々は、自然に木のような関係を捉え、共有された祖先を通して知識の伝達を可能にする双曲空間に実体を埋め込む。
本モデルは,EMHベンチマーク(MIMIC-IIIおよびMIMIC-IV)において高い性能を達成し,シミュレーションできないコード設定下で高い精度を維持する。
論文 参考訳（メタデータ） (2025-08-14T07:55:03Z) - Dynamic Graph Enhanced Contrastive Learning for Chest X-ray Report
Generation [92.73584302508907]
コントラスト学習を用いた医療レポート作成を支援するために,動的構造とノードを持つ知識グラフを提案する。
詳しくは、グラフの基本構造は一般知識から事前構築される。
各イメージ機能は、レポート生成のためにデコーダモジュールに入力する前に、独自の更新グラフに統合される。
論文 参考訳（メタデータ） (2023-03-18T03:53:43Z)
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。