論文の概要: PGP-Clinical-TimeKAN: Prior-Guided Joint Probabilistic Forecasting of Clinical Trajectories

• arxiv url: http://arxiv.org/abs/2609.05488v1
• Date: Mon, 24 Aug 2026 23:33:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 16:32:15.64183
• Title: PGP-Clinical-TimeKAN: Prior-Guided Joint Probabilistic Forecasting of Clinical Trajectories
• Title（参考訳）: PGP-Clinical-TimeKAN: 臨床軌道の事前誘導型関節確率予測
• Abstract要約: PGP-Clinical-TimeKANは多変量生理学の合同確率予測のための軌道優先のフレームワークである。 欠如を意識した時間エンコーダ、ソフトオルガン前駆体、患者固有の関係、非線形コルモゴロフ・アルノルドメッセージ、低ランクの多変量学生-tヘッドを組み合わせる。
• 参考スコア（独自算出の注目度）: 33.074550441856196
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Clinical deterioration unfolds through coupled, partially observed trajectories, not a single diagnostic label. We introduce PGP-Clinical-TimeKAN, a trajectory-first framework for joint probabilistic forecasting of multivariate physiology. It combines missingness-aware temporal encoders, a soft organ-system prior, patient-specific relations, nonlinear Kolmogorov-Arnold messages, and a low-rank multivariate Student-t head. We evaluate 24-hour histories and six-hour forecasts on a frozen MIMIC-IV-derived cohort of 6,882 patients and 54,694 windows. Across five seeds and 13 models, PGP-Clinical-TimeKAN obtains the second-lowest normalized MAE (0.37727 +/- 0.00029) and the lowest RMSE (0.52656 +/- 0.00034). It reduces MAE by 0.52% relative to deterministic TimeKAN. For probabilistic forecasting, it reaches a marginal NLL of 0.66380 and a CRPS of 0.27301. Empirical coverage is 0.533, 0.831, and 0.958 for nominal 50%, 80%, and 95% intervals. Removing relational structure causes the largest ablation loss. Increasing covariance rank improves joint likelihood but has little effect on point accuracy. A trajectory-derived risk score remains weaker than a dedicated GRU-D classifier (AUROC 0.603 versus 0.650), which limits the present clinical claim. Joint trajectory forecasting therefore provides an inspectable intermediate task, but accurate physiology forecasts alone do not ensure a calibrated event detector.
• Abstract（参考訳）: 臨床的劣化は、単一の診断ラベルではなく、部分的に観察された軌跡を結合して展開する。 PGP-Clinical-TimeKANは多変量生理学の共同確率予測のための軌道優先フレームワークである。 欠如を意識した時間エンコーダ、ソフトオルガン前駆体、患者固有の関係、非線形コルモゴロフ・アルノルドメッセージ、低ランクの多変量学生-tヘッドを組み合わせる。 凍結したMIMIC-IV由来コホート6,882例と54,694窓の24時間履歴と6時間予測について検討した。 PGP-Clinical-TimeKANは5つの種と13のモデルにまたがって、2番目に低い正規化MAE (0.37727 +/- 0.00029) と最低のRMSE (0.52656 +/- 0.00034) を得る。 MAE は決定論的 TimeKAN と比較して0.52% 削減される。 確率予測では、限界NLLは0.66380、CRPSは0.27301に達する。 実証範囲は0.533、0.831、0.958で、名目50%、80%、95%間隔である。 リレーショナル構造を除去すると、最大のアブレーション損失が生じる。 共分散ランクの増大は関節の可能性が向上するが、点精度にはほとんど影響しない。 軌跡由来のリスクスコアは、GRU-D分類器(AUROC 0.603 対 0.650 対 0.650)よりも弱いままであり、現在の臨床症状を制限している。 したがって、共同軌道予測は検査可能な中間課題を提供するが、正確な生理学予測だけでは、校正された事象検知器を確保できない。

関連論文リスト

• Calibrated Alzheimer's Conversion Risk in Mild Cognitive Impairment: Persistent Homology of Clinical Trajectories with Conformal Guarantees [0.0]
  軽度の認知障害からアルツハイマー病への転換を予測することは、臨床試験とケア計画の中心である。 既存のモデルは個々のレベルの不確実性評価を提供しておらず、透明な漏洩監査を含むことは滅多にない。 本研究は, 持続的ホモロジーの経時的臨床軌道点雲への応用について紹介する。
  論文  参考訳（メタデータ） (2026-07-20T00:00:17Z)
• Trusting Right Predictions for Wrong Reasons: A LIME Based Analysis of Deep Learning Interpretability in Lung Cancer Diagnosis [0.0]
  肺がんはがん関連死亡の主な原因であり、毎年約250万件の新規感染者と18万件の死亡がある。 評価は主に予測精度に焦点を当てており、意思決定プロセスは十分に検証されていない。 本研究では, IQ-OTH/NCCD肺がんCTデータセットをトレーニングした, 畳み込みニューラルネットワーク(CNN), 事前訓練されたResNet50, ビジョントランスフォーマー(ViT)の3つのモデルを比較した。 ResNet50は98.61%の精度、CNN 97.91%の精度、ViT 93.75%の精度を達成した。
  論文  参考訳（メタデータ） (2026-06-14T22:08:31Z)
• SGC-RML: A reliable and interpretable longitudinal assessment for PD in real-world DNS [2.4463990533701896]
  本稿では,SGC-RMLを用いて,音声,歩行,ウェアラブル運動,移動作業,臨床変数を共有8次元症状ノード空間にマッピングする。 不確実性推定、共形校正、選択的な決定経路を共同で導入することにより、モデルは症状や重症度を予測するだけでなく、証拠が不十分な場合に評価を拒否したり、再検査を提案することもできる。
  論文  参考訳（メタデータ） (2026-05-08T12:10:08Z)
• Differentiable latent structure discovery for interpretable forecasting in clinical time series [38.473526928012724]
  連続時間多タスクガウス過程であるStructGPを導入し, 基本的不確かさを保ちながら, 相違構造学習と相違構造学習を組み合わせ, 相互依存の有向非巡回グラフ(DAG)を導出する。 LP-StructGPは,被験者特異的カップリングフィルタとソフトマックスゲーティング機構を用いて,患者間の進行パターンを捉えることで,StructGPを潜在経路に分割し,時間的に変化する軌跡を増大させる。
  論文  参考訳（メタデータ） (2026-04-30T14:59:50Z)
• 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)
• Explainable Admission-Level Predictive Modeling for Prolonged Hospital Stay in Elderly Populations: Challenges in Low- and Middle-Income Countries [65.4286079244589]
  長期滞在期間 (pLoS) は, 院内感染のリスクに関連する重要な要因である。 入院レベルの患者と病院の診療データを用いて, pLosの予測モデルを開発し, 解説する。
  論文  参考訳（メタデータ） (2026-01-07T23:35:24Z)
• 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)
• NeuroRAD-FM: A Foundation Model for Neuro-Oncology with Distributionally Robust Training [12.168374910250572]
  既存の基礎モデル(FM)は、異常な分子マーカーを予測するのに不十分である。 我々は,腫瘍の表現型を正確に推定できる分布的ロバストな損失関数を有する神経腫瘍学特異的FMを開発した。 CUIMC 0.592 から 0.597 に、UPenn 0.647 から 0.672 に、UCSF 0.600 から 0.627 に改良された。
  論文  参考訳（メタデータ） (2025-09-18T20:43:08Z)
• Predicting Length of Stay in Neurological ICU Patients Using Classical Machine Learning and Neural Network Models: A Benchmark Study on MIMIC-IV [49.1574468325115]
  本研究は、MIMIC-IVデータセットに基づく神経疾患患者を対象とした、ICUにおけるLOS予測のための複数のMLアプローチについて検討する。 評価されたモデルには、古典的MLアルゴリズム(K-Nearest Neighbors、Random Forest、XGBoost、CatBoost)とニューラルネットワーク(LSTM、BERT、テンポラルフュージョントランス)が含まれる。
  論文  参考訳（メタデータ） (2025-05-23T14:06:42Z)
• Joint Prediction and Time Estimation of COVID-19 Developing Severe Symptoms using Chest CT Scan [49.209225484926634]
  術後に重篤な症状を発症するかどうかを判定するための共同分類法と回帰法を提案する。 提案手法は,各試料の重量を考慮し,外乱の影響を低減し,不均衡な分類の問題を検討する。 提案手法では, 重症症例の予測精度76.97%, 相関係数0.524, 変換時間0.55日差が得られた。
  論文  参考訳（メタデータ） (2020-05-07T12:16:37Z)

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。