論文の概要: Knowledge-Enriched Structured EHR Features for 30-Day Hospital Readmission Prediction on MIMIC-IV

• arxiv url: http://arxiv.org/abs/2609.15713v1
• Date: Mon, 14 Sep 2026 15:14:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 12:40:38.850847
• Title: Knowledge-Enriched Structured EHR Features for 30-Day Hospital Readmission Prediction on MIMIC-IV
• Title（参考訳）: MIMIC-IVにおける30日間の病院入院予測のための知識強化型構造化EMHの特徴
• Abstract要約: 本研究では,EHR(Electronic Health Record)データを4つの医療知識ソースで強化した,知識に富んだ特徴表現を提案する。 それぞれの特徴次元は、名前付き臨床概念に対応し、スパースで解釈可能な患者表現をもたらす。 20倍のクロスバリデーションでは、最高の構成でAUROCは0.743となる。
• 参考スコア（独自算出の注目度）: 3.93987748643305
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent approaches to 30-day hospital readmission prediction rely on pre-trained language models applied to discharge summaries. Although these methods achieve strong performance, they depend on the availability of clinical notes, incur substantial computational costs, and yield representations that lack interpretability. We propose a knowledge-enriched feature representation that augments structured Electronic Health Record (EHR) data with four medical knowledge sources: disease ontology mapping, procedure classification, drug ingredient vocabulary, and organ system laboratory aggregation, without using clinical notes. Each feature dimension corresponds to a named clinical concept, yielding a sparse and interpretable patient representation. The approach is evaluated with six classifiers on a MIMIC-IV v2.2 cohort. Under 20-fold cross-validation, the best configuration achieves an AUROC of 0.743. This performance is comparable to that of previously reported methods on this dataset, including both those using only structured data and those incorporating clinical notes, while requiring considerably less computational cost. Interpretability analysis shows that demographics, organ system labs, drug ingredient features, and first-level ontology disease categories drive prediction, while deeper hierarchy levels contribute negligibly. These findings indicate that knowledge-enriched structured features offer a competitive and efficient alternative to embeddings from clinical notes for 30-day readmission prediction.
• Abstract（参考訳）: 30日間の退院予測への最近のアプローチは、サマリーの退院に適用される事前訓練された言語モデルに依存している。 これらの手法は高い性能を達成するが、臨床ノートの入手、相当な計算コスト、解釈性に欠ける降伏表現に依存している。 本報告では, 電子健康記録(EHR)データを4つの医療知識源(疾患オントロジーマッピング, プロシージャ分類, 薬物成分語彙, 臓器系実験室集計)に拡張した知識豊かな特徴表現を提案する。 それぞれの特徴次元は、名前付き臨床概念に対応し、スパースで解釈可能な患者表現をもたらす。 この手法はMIMIC-IV v2.2コホート上の6つの分類器で評価される。 20倍のクロスバリデーションでは、最高の構成でAUROCは0.743となる。 このパフォーマンスは、構造化データのみを使用する方法と臨床ノートを組み込んだものの両方を含む、以前報告されたこのデータセットのメソッドに匹敵するが、計算コストはかなり少ない。 解釈可能性分析は、人口統計学、臓器系実験室、薬物成分の特徴、第1レベルのオントロジー病カテゴリが予測を促進する一方で、より深い階層レベルが無視的に寄与することを示している。 これらの結果から,30日間の読解予測のために,知識に富んだ構造的特徴が臨床ノートからの埋め込みの競合的かつ効率的な代替手段となることが示唆された。

関連論文リスト

• Automating Early Disease Prediction Via Structured and Unstructured Clinical Data [0.20524609401792396]
  提案したパイプラインは、早期予測の3つの主要なステップであるコホート選択、データセット生成、結果ラベリングをサポートするために、放電レポートを使用する。 本手法を心房細動(AF)の進行予測の文脈で評価し, 放電報告情報に富んだデータセットでトレーニングした予測モデルにより, 真の結果との相関性が高くなることを示す。 これらの結果は、構造化されていない臨床テキストの統合を自動化することにより、早期予測研究を効率化し、データ品質を改善し、臨床意思決定のための予測モデルの信頼性を高めることができることを示している。
  論文  参考訳（メタデータ） (2026-03-30T08:36:14Z)
• Enhancing mortality prediction in cardiac arrest ICU patients through meta-modeling of structured clinical data from MIMIC-IV [0.0]
  本研究では、構造化された臨床データと構造化されていない情報を統合する機械学習モデルを開発し、評価する。 機能選択にはLASSOとXGBoostを使用しました。 構造化データとテキスト入力を組み合わせた最終ロジスティック回帰モデルは、構造化データのみを使用する場合の0.753に対して、0.918のAUCを達成したが、相対的な改善は22%であった。
  論文  参考訳（メタデータ） (2025-10-20T20:56:45Z)
• Improving Hospital Risk Prediction with Knowledge-Augmented Multimodal EHR Modeling [12.723098379155838]
  臨床リスク予測のために構造化データと非構造化データをシームレスに統合する統合フレームワークを導入する。 微調整大言語モデル(LLM)は臨床ノートからタスク関連情報を抽出する。 第2段階は構造化されていない表現と構造化データから派生した特徴を組み合わせて最終的な予測を生成する。
  論文  参考訳（メタデータ） (2025-08-04T01:03:16Z)
• Bridging Electronic Health Records and Clinical Texts: Contrastive Learning for Enhanced Clinical Tasks [0.0]
  本稿では,構造化EHRデータの潜在表現を非構造化放電要約ノートと整合させるフレームワークを提案する。 ペアのEHRとテキストの埋め込みをまとめて、障害のないものを分解する。 その結果,臨床ノートからEHRベースのパイプラインにドメイン知識を統合する効果が示された。
  論文  参考訳（メタデータ） (2025-05-23T09:04:49Z)
• Enhancing In-Hospital Mortality Prediction Using Multi-Representational Learning with LLM-Generated Expert Summaries [3.5508427067904864]
  ICU患者の院内死亡率(IHM)予測は、時間的介入と効率的な資源配分に重要である。 本研究は、構造化された生理データと臨床ノートをLarge Language Model(LLM)によって生成された専門家要約と統合し、IHM予測精度を向上させる。
  論文  参考訳（メタデータ） (2024-11-25T16:36:38Z)
• Reasoning-Enhanced Healthcare Predictions with Knowledge Graph Community Retrieval [61.70489848327436]
  KAREは、知識グラフ(KG)コミュニティレベルの検索と大規模言語モデル(LLM)推論を統合する新しいフレームワークである。 MIMIC-IIIでは最大10.8～15.0%、MIMIC-IVでは12.6～12.7%である。
  論文  参考訳（メタデータ） (2024-10-06T18:46:28Z)
• TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic Tree-Based Memory Network [54.332862955411656]
  臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。 近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。 本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
  論文  参考訳（メタデータ） (2023-07-19T12:35:09Z)
• This Patient Looks Like That Patient: Prototypical Networks for Interpretable Diagnosis Prediction from Clinical Text [56.32427751440426]
  臨床実践においては、そのようなモデルは正確であるだけでなく、医師に解釈可能で有益な結果を与える必要がある。 本稿では,プロトタイプネットワークに基づく新しい手法であるProtoPatientを紹介する。 利用可能な2つの臨床データセット上でモデルを評価し、既存のベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-16T10:12:07Z)
• Enriching Unsupervised User Embedding via Medical Concepts [51.17532619610099]
  教師なしのユーザ埋め込みは、患者を人間の監督なしに、固定長のベクターにエンコードすることを目的としている。 臨床ノートから抽出された医療概念は、患者とその臨床カテゴリ間の豊富な関係を含んでいる。 本稿では,2つの臨床コーパスからテキスト文書と医療概念を共同で活用する,非教師なしユーザ埋め込みを提案する。
  論文  参考訳（メタデータ） (2022-03-20T18:54:05Z)
• Self-supervised Answer Retrieval on Clinical Notes [68.87777592015402]
  本稿では,ドメイン固有パスマッチングのためのトランスフォーマー言語モデルをトレーニングするためのルールベースのセルフスーパービジョンであるCAPRを紹介する。 目的をトランスフォーマーベースの4つのアーキテクチャ、コンテキスト文書ベクトル、ビ-、ポリエンコーダ、クロスエンコーダに適用する。 本稿では,ドメイン固有パスの検索において,CAPRが強いベースラインを上回り,ルールベースおよび人間ラベル付きパスを効果的に一般化することを示す。
  論文  参考訳（メタデータ） (2021-08-02T10:42:52Z)
• Benchmarking Automated Clinical Language Simplification: Dataset, Algorithm, and Evaluation [48.87254340298189]
  我々はMedLaneという名の新しいデータセットを構築し、自動化された臨床言語簡易化手法の開発と評価を支援する。 我々は,人間のアノテーションの手順に従い,最先端のパフォーマンスを実現するDECLAREと呼ばれる新しいモデルを提案する。
  論文  参考訳（メタデータ） (2020-12-04T06:09:02Z)

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。