論文の概要: Structured Evidence Routing for Incident Risk Prediction from Multimodal Longitudinal EHRs

• arxiv url: http://arxiv.org/abs/2608.26191v1
• Date: Mon, 24 Aug 2026 01:07:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-28 16:30:58.113616
• Title: Structured Evidence Routing for Incident Risk Prediction from Multimodal Longitudinal EHRs
• Title（参考訳）: マルチモーダル縦型EHRによる事故リスク予測のための構造的エビデンスルーティング
• Abstract要約: 縦断的な電子健康記録からのインシデントリスク予測は、関連信号が多モーダルであり、孤立が弱く、不規則な患者履歴に分散しているため困難である。 本研究では,病原性評価から全記録アクセスを分離するルータ-予測器-ビューア・ワークフローである構造化エビデンス・ルーティングを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Incident risk prediction from longitudinal electronic health records (EHRs) is challenging because relevant signals are multimodal, weak in isolation, and distributed across irregular patient histories. We propose structured evidence routing, a router-predictor-reviewer workflow that separates full-record access from disease-specific assessment. The router organizes the complete pre-index EHR into a compact summary and targeted evidence slices; the predictor uses this evidence to form an evidence-linked risk assessment, which the reviewer critiques. For comparison with supervised EHRSHOT baselines, we pair the routed evidence summaries with a supervised classifier readout. Across five 1-year incident diagnosis tasks, our method reaches the AUROC range of established supervised EHRSHOT baselines and remains competitive on AUPRC, while exposing a patient-specific evidence trail. Internal pre-readout ablations further suggest that routing, laboratory evidence, task guidance, and review each contribute to performance.
• Abstract（参考訳）: 縦断的電子健康記録(EHR)からのインシデントリスク予測は、関連信号が多モーダルであり、孤立が弱く、不規則な患者履歴に分散しているため困難である。 本研究では,病原性評価から全記録アクセスを分離するルータ-予測器-ビューア・ワークフローである構造化エビデンス・ルーティングを提案する。 ルータは、完全なプレインデックス EHR をコンパクトな要約に整理し、目標となる証拠をスライスする。 教師付きERHSHOTベースラインと比較するために,ルート付きエビデンスサマリーと教師付き分類器の読み出しとをペアリングする。 本手法は, 患者固有のエビデンス・トレイルを露呈しながら, AUPRC上での競争力を維持しつつ, 1年間のインシデント診断作業で, 確立されたERHRSHOTベースラインのAUROC範囲に到達した。 内部の事前読解は、ルーティング、実験室のエビデンス、タスクガイダンス、それぞれがパフォーマンスに寄与していることを示唆している。

関連論文リスト

• INCLAIR: Inception-Based Longitudinal Clinical Anomaly Detection with Informed Reasoning [1.8512125158329427]
  INCLAIRは、複数の歴史的文脈に対してそれぞれの観察をスコアし、プロファイルレベルで証拠を集約し、専門家の監督の下で自然言語の説明を生成するフレームワークである。 3つの臨床データセットの中で、INCLAIRは一貫し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） (2026-07-29T22:02:58Z)
• Toward Automated Detection of Documentation Inconsistencies in Electronic Health Records [16.68744679025527]
  一般ドメイン大言語モデル(LLM)は、実世界の放電サマリーから表れる。 LLMは3,460人の候補者の不一致を表面化し、69.7%が入院した。
  論文  参考訳（メタデータ） (2026-07-24T23:43:35Z)
• Towards Trustworthy Depression Estimation via Disentangled Evidential Learning [50.22167852149165]
  EviDepはうつ病の重症度を共同で定量化する明らかな学習フレームワークである。 EviDepは、堅牢な証拠合成を保証するために厳密な情報整合性を強制する。 最先端の予測精度と優れた不確実性校正を実現し、信頼できる臨床スクリーニングのための堅牢なフェールセーフメカニズムを提供する。
  論文  参考訳（メタデータ） (2026-04-17T13:27:11Z)
• EviSearch: A Human in the Loop System for Extracting and Auditing Clinical Evidence for Systematic Reviews [7.325762712182949]
  EviSearchは臨床エビデンステーブルのためのマルチエージェント抽出システムである。 パイプラインはマルチモーダルエビデンスソース間の高精度抽出のために設計されている。 EviSearchは、生きた体系的なレビューを加速し、手作業によるキュレーションの負担を軽減し、LCMベースの抽出をエビデンス合成パイプラインに統合するための安全で監査可能なパスを提供することを目的としている。
  論文  参考訳（メタデータ） (2026-03-23T22:36:54Z)
• DRAFT: Task Decoupled Latent Reasoning for Agent Safety [59.46137757545185]
  DRAFT(Task Decoupled Latent Reasoning for Agent Safety)を提案する。 エクストラクターは、完全な軌跡をコンパクトな連続的な潜伏ドラフトに蒸留し、リゾナーはドラフトと元の軌跡に共同で参加して安全性を予測する。 DRAFTの精度は63.27%(LoRA)から91.18%に向上した。
  論文  参考訳（メタデータ） (2026-02-11T07:45:14Z)
• Strong Reasoning Isn't Enough: Evaluating Evidence Elicitation in Interactive Diagnosis [29.630872344186873]
  インタラクティブな医療相談は、エージェントが不確実性の下で行方不明な臨床証拠を積極的に引き出す必要がある。 既存の評価の大部分は静的あるいは結果中心であり、エビデンス収集プロセスを無視している。 シミュレーションされた患者と、原子的証拠に基づく再現されたレポーターを用いて、コンサルテーションプロセスを明示的にモデル化するインタラクティブな評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-27T16:36:35Z)
• EHRSummarizer: A Privacy-Aware, FHIR-Native Architecture for Structured Clinical Summarization of Electronic Health Records [0.0]
  EHRSummarizerは構造化チャートレビューをサポートする構造化要約を生成する。 システムは、データ最小化、ステートレス処理、フレキシブルなデプロイメントのために設定できる。
  論文  参考訳（メタデータ） (2026-01-04T21:10:42Z)
• D-REX: A Benchmark for Detecting Deceptive Reasoning in Large Language Models [62.83226685925107]
  Deceptive Reasoning Exposure Suite (D-REX)は、モデルの内部推論プロセスと最終的な出力との相違を評価するために設計された、新しいデータセットである。 D-REXの各サンプルには、敵システムプロンプト、エンドユーザーのテストクエリ、モデルの一見無害な応答、そして重要なことに、モデルの内部チェーンが含まれている。 我々は、D-REXが既存のモデルと安全メカニズムに重大な課題をもたらすことを実証した。
  論文  参考訳（メタデータ） (2025-09-22T15:59:40Z)
• 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)
• Black-box Adversarial Attacks against Dense Retrieval Models: A Multi-view Contrastive Learning Method [115.29382166356478]
  本稿では,敵探索攻撃(AREA)タスクを紹介する。 DRモデルは、DRモデルによって取得された候補文書の初期セットの外側にあるターゲット文書を取得するように、DRモデルを騙すことを目的としている。 NRM攻撃で報告された有望な結果は、DRモデルに一般化されない。 マルチビュー表現空間における対照的な学習問題として,DRモデルに対する攻撃を形式化する。
  論文  参考訳（メタデータ） (2023-08-19T00:24:59Z)
• DeepEnroll: Patient-Trial Matching with Deep Embedding and Entailment Prediction [67.91606509226132]
  臨床試験は医薬品開発に不可欠であるが、高価で不正確で不十分な患者募集に苦しむことが多い。 DeepEnrollは、入力基準(タブラリデータ)を一致する推論のための共有潜在空間に共同でエンコードする、クロスモーダル推論学習モデルである。
  論文  参考訳（メタデータ） (2020-01-22T17:51:25Z)

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。