論文の概要: Pretrained Medical Representations for the Practical Screening of Drug Repositioning Candidates

• arxiv url: http://arxiv.org/abs/2609.19865v1
• Date: Thu, 17 Sep 2026 08:19:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.161505
• Title: Pretrained Medical Representations for the Practical Screening of Drug Repositioning Candidates
• Title（参考訳）: 薬物再配置候補のスクリーニングのための事前医薬表示
• Abstract要約: 本稿では,階層的なサブトークンアグリゲーション,部分マスキング,相互参照機構を明示的に統合する統合事前学習フレームワークを提案する。 提案モデルは,事前学習目標と下流臨床イベント予測タスクにおいて,既存の手法よりも一貫して優れていた。
• 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: Representation learning from medical code sequences in electronic health records and medical claims data has been successful in various clinical applications, such as those regarding disease prediction. However, significant challenges remain in extending this approach to the discovery of scientific hypotheses. One reason is that many existing BERT-based models fail to adequately capture the hierarchical structure of medical codes and the complex interactions between diagnoses and treatments. To address these limitations, we propose a new unified pre-training framework that explicitly integrates hierarchical sub-token aggregation, partial masking, and cross-reference mechanisms. The proposed model consistently outperformed existing methods on both pre-training objectives and downstream clinical event prediction tasks, including the onset of dementia and hospitalization. We also conducted an in silico drug repositioning case study targeting Alzheimer's disease. In the hypothesis generation step, our approach successfully rediscovered known promising drugs in a data-driven manner without relying on such external knowledge sources as the literature. Subsequently, in the hypothesis prioritization step, we introduced a Task-Adaptive Representation Approach to alleviate the over-encoding of historical prescription information within diagnostic vectors, enabling the robust prioritization of generated hypotheses. This study establishes an exploratory screening workflow for hypothesis generation and prioritization based on observational associations. Importantly, this framework is not intended to provide causal evidence, but rather to identify promising candidates for subsequent rigorous causal inference. Overall, this study demonstrates that domain-informed representation learning combined with task-adaptive representation control can enable a practical hypothesis discovery workflow.
• Abstract（参考訳）: 電子カルテおよび医療クレームデータにおける医療コードシーケンスからの表現学習は、疾患予測など様々な臨床応用で成功している。 しかし、科学的仮説の発見までこのアプローチを拡大する上で重要な課題が残っている。 1つの理由は、既存のBERTベースのモデルの多くが、医療コードの階層構造と診断と治療の間の複雑な相互作用を適切に捉えていないからである。 これらの制約に対処するために,階層的なサブトークンアグリゲーション,部分マスキング,相互参照機構を明示的に統合する統合事前学習フレームワークを提案する。 提案モデルは,認知症および入院の開始を含む,事前学習目標と下流臨床イベント予測タスクにおいて,既存の方法よりも一貫して優れていた。 また,アルツハイマー病を標的とした insilico drug repositioning case study も行った。 仮説生成段階において,本手法は文献などの外部知識を頼らずに,データ駆動方式で有望な薬剤を再発見することに成功した。 その後、仮説優先順位付けステップにおいて、診断ベクトル内での履歴処方の過剰なエンコーディングを緩和し、生成された仮説の堅牢な優先順位付けを可能にするタスク適応表現手法を導入した。 本研究では,観測関連性に基づく仮説生成と優先順位付けのための探索的スクリーニングワークフローを確立する。 重要なのは、この枠組みは因果的証拠を提供することではなく、その後の厳密な因果的推論のための有望な候補を特定することである。 本研究は,タスク適応型表現制御とドメインインフォームド表現学習を組み合わせることで,現実的な仮説発見ワークフローを実現することを実証する。

関連論文リスト

• Confounder Detection via Treatment Intent: A New Observational Study Design [69.50062870487349]
  我々は、治療意図による共同設立者検出と呼ばれる新しい研究設計を導入する。 このアイデアは、治療決定を行う人間の専門家に問い合わせ、ペアのユニットの比較を依頼する。 ICUで収集された電子的健康記録が未確認のコンファウンディングの対象であることの実証的証拠を示す。
  論文  参考訳（メタデータ） (2026-05-26T00:41:47Z)
• Medical Model Synthesis Architectures: A Case Study [72.46211022258122]
  現在のAIシステムは、不確実性の下で調整された推論に苦労している。 我々は,不確実性の下で,現実的に有用だが公式に透過的な臨床予測を行うことができるAIシステムのためのフレームワークを提案する。 このフレームワークの最初の概念実証は、どのようにして差分診断に利用できるかを示す。
  論文  参考訳（メタデータ） (2026-05-10T19:30:16Z)
• Causal Graph Neural Networks for Healthcare [2.446787923076599]
  因果グラフニューラルネットワークは、分布シフト、差別、調査可能性の三つの危機に対処する。 本稿では, 構造因果モデル, 絡み合った因果表現学習, およびグラフ上の介入予測と反実的推論のための手法の方法論的基礎について検討する。
  論文  参考訳（メタデータ） (2025-11-04T12:34:46Z)
• Simulating Viva Voce Examinations to Evaluate Clinical Reasoning in Large Language Models [51.91760712805404]
  大規模言語モデル(LLM)におけるシーケンシャルな臨床推論を評価するためのベンチマークであるVivaBenchを紹介する。 本データセットは,医療訓練における(口頭)検査をシミュレートする対話的シナリオとして構成された1762名の医師による臨床ヴィグネットから構成される。 本分析では,臨床における認知的誤りを反映するいくつかの障害モードを同定した。
  論文  参考訳（メタデータ） (2025-10-11T16:24:35Z)
• Deep Learning-based Prediction of Clinical Trial Enrollment with Uncertainty Estimates [0.43865042264488946]
  患者登録の正確な予測は、試験の成功の重要な要因であり、計画段階における主要な課題の1つである。 本稿では,この重要な課題に対処する新しい深層学習手法を提案する。 提案手法は, 臨床治験において, 多数の施設に入院した患者数を効果的に予測できることを示す。
  論文  参考訳（メタデータ） (2025-07-31T14:47:16Z)
• Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
  同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。 構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。 スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
  論文  参考訳（メタデータ） (2024-03-02T00:56:05Z)
• Enhancing Acute Kidney Injury Prediction through Integration of Drug Features in Intensive Care Units [0.0]
  急性腎障害(AKI)予測と腎障害薬との関連は, 治療現場ではまだ検討されていない。 そこで本研究では,患者処方データをモダリティとして活用し,既存のAKI予測モデルを改善する手法を提案する。
  論文  参考訳（メタデータ） (2024-01-09T05:42:32Z)
• Inheritance-guided Hierarchical Assignment for Clinical Automatic Diagnosis [50.15205065710629]
  臨床診断は、臨床ノートに基づいて患者に診断符号を割り当てることを目的としており、臨床意思決定において重要な役割を担っている。 本稿では,臨床自動診断のための継承誘導階層と共起グラフの伝播を組み合わせた新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2021-01-27T13:16:51Z)

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。