論文の概要: Predicting Future Organ Dysfunction in ICU Patients Using Temporal Convolutional Networks on MIMIC-IV Data

• arxiv url: http://arxiv.org/abs/2608.29301v1
• Date: Sat, 29 Aug 2026 14:40:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:30.918192
• Title: Predicting Future Organ Dysfunction in ICU Patients Using Temporal Convolutional Networks on MIMIC-IV Data
• Title（参考訳）: MIMIC-IVデータを用いた時空間畳み込みネットワークを用いたICU患者の臓器機能障害予測
• Abstract要約: ICU時系列データから,時間的畳み込みネット作業(TCN)が次のSOFAスコアを予測できる範囲について検討する。 3日間のスライディングウィンドウで訓練された残りのTCNは、0.740+-0.013の5倍のクロスバリデーションR2と1.431+-0.022のMAEを達成した。 TCNはICUの生理的データから有意な予測信号を抽出できるが,入力ウィンドウの短さと全ケース選択バイアスが臨床効果を制限している。
• 参考スコア（独自算出の注目度）: 3.007949058551534
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting future organ dysfunction in Intensive Care Unit (ICU) patients is critical for early clinical intervention, yet existing machine learning approaches have largely treated the Sequential Organ Failure Assessment (SOFA) score as an input to binary mortality prediction rather than as a continuous clinical outcome in its own right. We investigate the extent to which a Temporal Convolutional Net work (TCN) can predict next-day SOFA scores from multivariate ICU time-series data extracted from MIMIC-IV, characterise the relative contribution of each organ system to total SOFA variance and deterioration, and identify distinct trajectory patterns across ICU stays. A residual TCN trained on three-day sliding windows achieved a five-fold cross-validation R2 of 0.740 +- 0.013 and MAE of 1.431 +- 0.022, outperforming a naive persistence baseline on RMSE and R2. SHAP interpretability analysis revealed that the model functions primarily as a severity-anchoring mechanism rather than a true sequence model, with predictions dominated almost entirely by the most recent observation day. Cardiovascular dysfunction emerged as the strongest discriminator of both cross-sectional severity and acute deterioration, and unsupervised trajectory clustering identified two clinically meaningful phenotypes, an improving group (58.9%) and a persistently severe group (41.1%), differentiated by cardiovascular, hepatic, coagulation, and renal involvement. We conclude that TCNs can extract meaningful predictive signal from ICU physiological data, but that short input windows and complete-case selection bias currently limit their clinical utility, motivating future work on longer input horizons, alternative missing-data strategies, and external validation.
• Abstract（参考訳）: 集中治療室(ICU)患者の将来の臓器機能障害の予測は早期臨床介入にとって重要であるが、既存の機械学習アプローチでは、連続的な臨床結果ではなく、連続的な臓器不全評価(SOFA)スコアを2次死亡予測の入力として扱うことが多かった。 我々は,MIMIC-IVから抽出した多変量ICU時系列データから,時間的畳み込みネットワーク(TCN)が次世代のSOFAスコアを予測できる範囲を調べた。 3日間のスライディングウインドウで訓練された残存TNは、0.740+-0.013の5倍のクロスバリデーションR2と1.431+-0.022のMAEを達成し、RMSEとR2の単純な持続性ベースラインを上回った。 SHAPの解釈可能性分析により,本モデルは主に真塩基配列モデルではなく重度アンカリング機構として機能し,予測は最新の観測日でほぼほぼ完全に支配されていることがわかった。 心血管障害は断面積の重症度と急性劣化の両面で最強の判別因子として出現し, トラジェクトリ・クラスタリングでは臨床的に有意な2つの表現型, 改善群(58.9%)と持続性重篤群(41.1%)を同定し, 心血管, 肝, 凝固, 腎の関与を鑑別した。 TCNは、ICUの生理学的データから有意義な予測信号を抽出できるが、短い入力ウィンドウと完全ケース選択バイアスは、現在臨床効果を制限しており、より長い入力地平線、代替の欠落データ戦略、外部検証の動機となっている。

関連論文リスト

• Multimodal Deep Learning for Early Prediction of Patient Deterioration in the ICU: Integrating Time-Series EHR Data with Clinical Notes [0.0]
  集中治療室(ICU)における臨床劣化のリスクのある患者の早期発見は依然として重要な課題である。 本研究は,24時間以内の患者劣化を予測するために,構造化時系列データ(硝子体標識と実験室値)と非構造化臨床ノートを併用した多モード深層学習手法を提案する。 本アーキテクチャでは,生理的データにおける時間的パターンに対する双方向LSTMエンコーダと臨床メモのためのクリニカルBERT埋め込みを,クロスモーダルアテンション機構を通じて融合させる。
  論文  参考訳（メタデータ） (2026-03-16T01:50:08Z)
• Transparent Early ICU Mortality Prediction with Clinical Transformer and Per-Case Modality Attribution [42.85462513661566]
  ICU滞在後48時間から, 生理的時系列測定と非構造的臨床記録とを融合した, 軽量で透明なマルチモーダルアンサンブルを提案する。 ロジスティック回帰モデルは、バイタル用双方向LSTMとノート用微調整された臨床ModernBERT変換器の2つのモード固有モデルからの予測を組み合わせる。 MIMIC-IIIベンチマークでは、遅延融合アンサンブルは、よく校正された予測を維持しながら、最高の単一モデルに対する差別を改善する。
  論文  参考訳（メタデータ） (2025-11-19T20:11:49Z)
• Organ-Agents: Virtual Human Physiology Simulator via LLMs [66.40796430669158]
  オルガン-エージェント(Organ-Agents)は、LDM駆動のエージェントを介して人間の生理学をシミュレートする多エージェントフレームワークである。 症例は7,134例,コントロール7,895例で,9系統および125変数にわたる高分解能トラジェクトリを作成した。 臓器抗原は4,509人の保留患者に対して高いシミュレーション精度を達成し, システムごとのMSE0.16とSOFA系重症度層間の堅牢性を示した。
  論文  参考訳（メタデータ） (2025-08-20T01:58:45Z)
• Clinically Interpretable Mortality Prediction for ICU Patients with Diabetes and Atrial Fibrillation: A Machine Learning Approach [3.5626691568652507]
  集中治療室(ICU)における糖尿病(DM)と心房細動(AF)の死亡率の上昇 DMとAFを併用したICU患者において,28日間の死亡を予測できる解釈可能な機械学習モデルを開発した。
  論文  参考訳（メタデータ） (2025-06-18T22:04:12Z)
• Predicting Postoperative Stroke in Elderly SICU Patients: An Interpretable Machine Learning Model Using MIMIC Data [0.0]
  高齢者集中治療室(SICU)患者における術後脳卒中は重要な合併症である。 我々はMIMIC-IIIデータベースとMIMIC-IVデータベースから19,085名の高齢者SICU入院を併用したコホートを構築した。 最初の24時間集中治療室滞在からの臨床データを用いて,院内脳卒中を予測するための解釈可能な機械学習フレームワークを開発した。
  論文  参考訳（メタデータ） (2025-06-02T22:53:12Z)
• A Vector-Quantized Foundation Model for Patient Behavior Monitoring [41.48188433408574]
  本稿では,スマートフォンやウェアラブルデバイスからの実世界のデータを処理するために設計されたベクトル量子化変分自動エンコーダを改良した基礎モデルを提案する。 本研究では, 個別の潜伏表現を利用して, 微調整を必要とせず, 2つの下流課題, 自殺リスク評価, 情緒的状態予測を効果的に実施した。
  論文  参考訳（メタデータ） (2025-03-19T14:01:16Z)
• 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)
• SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
  セプシスは米国での院内死亡の主な原因である。 既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。 限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-24T04:47:36Z)
• 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)
• Deep Representation Learning-Based Dynamic Trajectory Phenotyping for Acute Respiratory Failure in Medical Intensive Care Units [4.9981612589160775]
  セプシスによる急性呼吸不全(ARF)は予後不良の重篤な合併症である。 本稿では, 敗血症患者の臨床軌跡の異なるグループを同定するために, 深部表現学習に基づく表現型表現法を提案する。
  論文  参考訳（メタデータ） (2024-05-04T04:29:22Z)
• A Knowledge Distillation Ensemble Framework for Predicting Short and Long-term Hospitalisation Outcomes from Electronic Health Records Data [5.844828229178025]
  既存の結果予測モデルは、頻繁なポジティブな結果の低いリコールに悩まされる。 我々は、死亡率とICUの受け入れによって表される逆さを自動的に予測する、高度にスケーリング可能な、堅牢な機械学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-11-18T15:56:28Z)
• Prediction of the onset of cardiovascular diseases from electronic health records using multi-task gated recurrent units [51.14334174570822]
  本稿では,電子カルテから心血管イベントを予測するための注意機構を備えたマルチタスク・リカレントニューラルネットワークを提案する。 提案手法は、NHS Foundation Trustの5年間のデータを用いて、標準的な臨床リスク予測器(QRISK)と機械学習の代替手段と比較される。
  論文  参考訳（メタデータ） (2020-07-16T17:43:13Z)

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。