Fugu-MT 論文翻訳(概要): HERMES: Contrast-Aware Knowledge Graph Reasoning from Clinical Notes for Patient Outcome Prediction

論文の概要: HERMES: Contrast-Aware Knowledge Graph Reasoning from Clinical Notes for Patient Outcome Prediction

arxiv url: http://arxiv.org/abs/2609.20825v1
Date: Wed, 22 Jul 2026 09:00:41 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-05 14:48:16.095571
Title: HERMES: Contrast-Aware Knowledge Graph Reasoning from Clinical Notes for Patient Outcome Prediction
Title（参考訳）: HERMES: 患者アウトカム予測のための臨床ノートと対比した知識グラフ
Abstract要約: HERMESは、臨床テキストのみを扱うグラフベースのフレームワークである。グラフ注意ネットワークは、グラフベースの学習を通して患者表現を合成する。比較論理モデリングを用いた明示的リレーショナルモデリングは予測性能を著しく向上させることを示した。
参考スコア（独自算出の注目度）: 4.463675534415755
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Clinical predictive models often rely on structured Electronic Health Record data, such as time-series and procedure codes. While recent approaches have begun leveraging unstructured clinical notes, they typically encode them as flat sequences, which may lose explicit relational and temporal structure present in clinical narratives. In response, we propose HERMES, a graph-based framework that operates exclusively on clinical text while preserving clinical relationships. This approach builds on two key ideas. First, personalized Knowledge Graphs (KGs) are constructed through Large-Language-Model-guided extraction from clinical notes with Contrastive Logic Modeling that explicitly captures temporal dynamics and treatment failures and changes in outcomes. Second, a Graph Attention Network synthesizes patient representations through graph-based learning over the KGs. Experiments on MIMIC-III and MIMIC-IV for in-hospital mortality and 30-day readmission prediction show that HERMES consistently outperforms strong text-only baselines. Our findings demonstrate that explicit relational modeling with Contrastive Logic Modeling significantly advances predictive performance.
Abstract（参考訳）: 臨床予測モデルは、しばしば時系列や手順コードのような構造化された電子健康記録データに依存する。最近のアプローチでは、構造化されていない臨床ノートの活用が始まっているが、通常は平らなシーケンスとしてエンコードされ、臨床物語に存在する明確な関係性や時間的構造が失われる可能性がある。 HERMESは,臨床関係を保ちながら臨床テキストのみを扱うグラフベースのフレームワークである。このアプローチは2つの重要なアイデアに基づいています。第一に、個別化された知識グラフ(KG)は、時間的ダイナミクスや治療失敗、結果の変化を明示的に捉えるContrastive Logic Modelingを用いて、臨床ノートから大規模言語モデル誘導抽出によって構築される。第二に、グラフ注意ネットワークは、KG上でのグラフベースの学習を通じて、患者の表現を合成する。 MIMIC-IIIおよびMIMIC-IVによる院内死亡率と30日間の寛解予測実験は、HERMESが強いテキストのみのベースラインを一貫して上回っていることを示している。比較論理モデリングを用いた明示的リレーショナルモデリングは予測性能を著しく向上させることを示した。

関連論文リスト

HoT-SSM:Higher-order Temporal Knowledge Graph Reasoning with State Space Models for Health Care [4.959832547805051]
状態空間モデルを用いた高次時間グラフ推論法であるHoT-SSMを提案する。訪問ごとに、HoT-SSMはドメイン知識を用いて意味論的に関連する臨床概念をハイパーエッジにグループ化することでハイパーグラフを構築する。 MIMIC-IIIおよびMIMIC-IVデータセットの実験は、現在の最先端モデルよりも大幅に性能が向上したことを示している。
論文参考訳（メタデータ） (2026-06-04T10:42:18Z)
Multimodal Graph-based Classification of Esophageal Motility Disorders [73.90451172929117]
食道運動障害の診断は,高分解能インピーダンス測定データの複雑化と臨床解釈の多様性が原因で大きな課題となる。本研究は,HRIM記録と患者固有の情報を組み合わせたマルチモーダル機械学習に基づく分類手法の実現可能性について検討し,食道生理学のグラフベースモデリングを取り入れた。
論文参考訳（メタデータ） (2026-05-13T14:52:12Z)
InsightFlow: LLM-Driven Synthesis of Patient Narratives for Mental Health into Causal Models [16.046573432862772]
本稿では,患者とセラピストの対話から5P対応因果グラフを自動生成するInsightFlowを提案する。臨床専門家が注釈した46の心理療法用経典を用いて, LLM 生成したヒトの定式化に対するグラフを評価した。専門家評価は、アウトプットを適度に完全で、一貫性があり、臨床的に有用であると評価する。
論文参考訳（メタデータ） (2026-04-14T13:36:18Z)
GRAIL: Geometry-Aware Retrieval-Augmented Inference with LLMs over Hyperbolic Representations of Patient Trajectories [7.2159153945746795]
本研究では,来院者による来院者の臨床イベントの予測を目的とした,来院者の来院状況の予測について検討する。構造化幾何表現と構造認識検索を用いた縦型EHRをモデル化するフレームワークであるGRAILを提案する。 MIMIC-IVの実験により、GRAILはマルチタイプの次世代予測を一貫して改善し、より階層一貫性のある予測が得られることが示された。
論文参考訳（メタデータ） (2026-02-13T11:30:37Z)
Self-Supervised Anatomical Consistency Learning for Vision-Grounded Medical Report Generation [61.350584471060756]
医用画像の臨床的に正確な記述を作成することを目的とした医用レポート生成。本稿では, 自己監督型解剖学的一貫性学習(SS-ACL)を提案し, 生成された報告を対応する解剖学的領域と整合させる。 SS-ACLは、ヒト解剖学の不変のトップダウン包摂構造にインスパイアされた階層的な解剖学的グラフを構築する。
論文参考訳（メタデータ） (2025-09-30T08:59:06Z)
Temporal Entailment Pretraining for Clinical Language Models over EHR Data [9.584923572354045]
臨床領域における言語モデルのための新しい時間的包含事前学習目標を提案する。本手法は, EHRセグメントを時間的に順序付けられた文対として定式化し, 後の状態が先行状態に関係しているか, 矛盾しているか, 中立であるかを決定するようモデルを訓練する。
論文参考訳（メタデータ） (2025-04-25T07:30:38Z)
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)
Knowledge Graph Representations to enhance Intensive Care Time-Series Predictions [4.660203987415476]
提案手法は,ICUデータと医療知識を統合し,臨床意思決定モデルを改善する。グラフ表現とバイタルサインと臨床報告を組み合わせることで、パフォーマンスを向上させる。我々のモデルには、知識グラフノードが予測にどのように影響するかを理解するための解釈可能性コンポーネントが含まれています。
論文参考訳（メタデータ） (2023-11-13T09:11:55Z)
Dynamic Graph Enhanced Contrastive Learning for Chest X-ray Report Generation [92.73584302508907]
コントラスト学習を用いた医療レポート作成を支援するために,動的構造とノードを持つ知識グラフを提案する。詳しくは、グラフの基本構造は一般知識から事前構築される。各イメージ機能は、レポート生成のためにデコーダモジュールに入力する前に、独自の更新グラフに統合される。
論文参考訳（メタデータ） (2023-03-18T03:53:43Z)
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)
Cross-modal Clinical Graph Transformer for Ophthalmic Report Generation [116.87918100031153]
眼科報告生成(ORG)のためのクロスモーダルな臨床グラフ変換器(CGT)を提案する。 CGTは、デコード手順を駆動する事前知識として、臨床関係を視覚特徴に注入する。大規模FFA-IRベンチマークの実験は、提案したCGTが従来のベンチマーク手法より優れていることを示した。
論文参考訳（メタデータ） (2022-06-04T13:16:30Z)

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。