論文の概要: Learning response-aware patient dynamics for respiratory support

• arxiv url: http://arxiv.org/abs/2609.32782v1
• Date: Sat, 26 Sep 2026 16:56:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 20:18:15.424426
• Title: Learning response-aware patient dynamics for respiratory support
• Title（参考訳）: 呼吸支援のための学習応答を考慮した患者動態
• Abstract要約: 自己回帰状態更新時の生理的変化を表す応答認識型患者動態モデルを提案する。 2つの独立した機関のICUコホート全体で、提案モデルは患者動態ベースラインに匹敵する全体軌道予測を達成する。
• 参考スコア（独自算出の注目度）: 4.250825424649631
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Respiratory support can shape the short-term physiological trajectory of critically ill patients, but patients receiving the same intervention may follow different physiological trajectories. Clinical patient dynamics models typically predict future states from recent physiology and recorded interventions, while physiological change is mainly represented through the predicted future state. We propose a response-aware patient dynamics model that explicitly represents physiological change during autoregressive state updating. The model decomposes predicted physiological change into state-dependent baseline dynamics and respiratory-support-associated deviations, with room air providing a reference for the decomposition. We provide a formal analysis of this reference-anchored formulation. A response pathway encodes the predicted physiological change and uses it to update the latent patient state across the forecast horizon. Across ICU cohorts from two independent institutions, the proposed model achieves comparable overall trajectory prediction to patient dynamics baselines, with more consistent improvements when physiological states are changing.
• Abstract（参考訳）: 呼吸補助は、重篤な患者の短期的な生理的軌跡を形成することができるが、同じ介入を受けた患者は異なる生理的軌跡に従う可能性がある。 臨床患者動態モデルは通常、最近の生理学と記録された介入から将来の状態を予測し、生理学の変化は主に予測される将来の状態を通して表される。 本稿では,自己回帰状態更新時の生理的変化を明示する応答認識型患者動態モデルを提案する。 このモデルは、予測された生理的変化を、状態依存のベースライン力学と呼吸支持に伴う偏差に分解し、室内空気が分解の基準となる。 この基準アンコール式を形式解析する。 応答経路は、予測された生理的変化を符号化し、予測地平線を越えて潜伏した患者の状態を更新する。 2つの独立した機関のICUコホート全体で、提案モデルは、患者動態ベースラインに匹敵する全体的な軌道予測を達成し、生理状態が変化しているときにより一貫した改善を行う。

関連論文リスト

• Toward World Modeling of Physiological Signals with Chaos-Theoretic Balancing and Latent Dynamics [11.273542534850506]
  我々は多変量生理信号と臨床介入変数の両方を共有潜在空間にエンコードする世界モデルであるNormWear-2を紹介する。 我々のアプローチは、事前訓練された知識(直観)からの推論と即時非パラメトリック潜在状態遷移適応(視点)を組み合わせたものである。 我々は、異種時間分解能と介入体制にまたがる様々な現実世界の生理的データセットにおける世界モデル性能を評価する。
  論文  参考訳（メタデータ） (2026-05-14T23:06:15Z)
• Simulating clinical interventions with a generative multimodal model of human physiology [49.828582089394445]
  HealthFormerは、人間の生理的軌道を生成的にモデル化するデコーダのみのトランスフォーマーである。 7つの領域にまたがる667個の測定値に対して,各被験者の健康軌道をトークン化する。 HealthFormerは、30のインシデント障害および死亡エンドポイントのうち27の予測を改善し、各比較で確立された臨床リスクスコアを超えた。
  論文  参考訳（メタデータ） (2026-04-30T14:10:30Z)
• Beyond Patient Invariance: Learning Cardiac Dynamics via Action-Conditioned JEPAs [0.0]
  本稿では,疾患進行のダイナミクスをシミュレートするアクション・コンディションド・ワールド・モデルへのシフトを提案する。 疾患発生後の心の電気生理学的状態を予測することによって,本モデルは動的病理力から安定な解剖学的特徴をはっきりと切り離すことができる。
  論文  参考訳（メタデータ） (2026-04-24T14:47:52Z)
• Real-Time Surrogate Modeling for Personalized Blood Flow Prediction and Hemodynamic Analysis [0.21111026813272174]
  本稿では,瞬時血行動態予測とパラメータ推定が可能な機械学習モデル(ML)を訓練するための体系的枠組みを提案する。 Asklepiosの大規模臨床データセットで観測された多変量相関に基づいて,まずパラメトリックな仮想コホートを作成した。 次に、患者固有の動脈圧と心臓出力(CO)を予測するディープ・ニューラル・サロゲートモデルを訓練し、入力パラメータの高速なアプリオリスクリーニングを可能にする。
  論文  参考訳（メタデータ） (2026-04-03T17:15:34Z)
• The Patient is not a Moving Document: A World Model Training Paradigm for Longitudinal EHR [3.9541492005870604]
  SMB構造(SMB-Structure)は、次世代予測(SFT)と共同埋め込み予測アーキテクチャ(JEPA)を基盤とした構造化EHRの世界モデルである。 メモリアル・スローン・ケタリング(23,319人,323,000人以上)とINSPECT(19,402人)の2つの大規模コホートで検証を行った。
  論文  参考訳（メタデータ） (2026-01-29T18:49:37Z)
• CLARITY: Medical World Model for Guiding Treatment Decisions by Modeling Context-Aware Disease Trajectories in Latent Space [49.74032713886216]
  CLARITYは、構造化潜在空間内で直接疾患の進化を予測する医療世界モデルである。 時間間隔(時間的文脈)と患者固有のデータ(臨床的文脈)を明確に統合し、スムーズで解釈可能な軌跡として治療条件の進行をモデル化する。
  論文  参考訳（メタデータ） (2025-12-08T20:42:10Z)
• Conditional Neural ODE for Longitudinal Parkinson's Disease Progression Forecasting [51.906871559732245]
  パーキンソン病(PD)は異質で進化する脳形態計測パターンを示す。 これらの縦方向の軌跡をモデル化することで、機械的な洞察、治療の発展、そして個別化された「デジタルツイン」予測が可能になる。 連続的な個人化されたPD進行予測のための新しいフレームワークであるCNODEを提案する。
  論文  参考訳（メタデータ） (2025-11-06T20:16:33Z)
• Fast Voxel-Wise Kinetic Modeling in Dynamic PET using a Physics-Informed CycleGAN [55.27156760515792]
  我々は、DCE-MRI量子化と動的PET量子化の約束を示す物理インフォームドCycleGANを採用する。 実験では、基準によく似た音響AIF予測とパラメータマップを実証した。
  論文  参考訳（メタデータ） (2025-10-27T09:17:02Z)
• Langevin Flows for Modeling Neural Latent Dynamics [81.81271685018284]
  逐次変分自動エンコーダであるLangevinFlowを導入し、潜伏変数の時間的進化をアンダーダム化したLangevin方程式で制御する。 われわれのアプローチは、慣性、減衰、学習されたポテンシャル関数、力などの物理的事前を組み込んで、ニューラルネットワークにおける自律的および非自律的プロセスの両方を表現する。 本手法は,ロレンツ誘引器によって生成される合成神経集団に対する最先端のベースラインより優れる。
  論文  参考訳（メタデータ） (2025-07-15T17:57:48Z)
• Individualized Dosing Dynamics via Neural Eigen Decomposition [51.62933814971523]
  ニューラル固有微分方程式アルゴリズム(NESDE)を導入する。 NESDEは個別化モデリング、新しい治療ポリシーへの調整可能な一般化、高速で連続的でクローズドな予測を提供する。 本研究は, 総合的・現実的な医療問題におけるNESDEの堅牢性を実証し, 学習力学を用いて, 模擬医療体育環境の公開を行う。
  論文  参考訳（メタデータ） (2023-06-24T17:01:51Z)
• Neural Pharmacodynamic State Space Modeling [1.589915930948668]
  本研究では,治療が疾患状態に与える影響を物理にインスパイアした,新たな注意に基づくニューラルアーキテクチャを活用した深層生成モデルを提案する。 提案モデルでは, 一般化が大幅に改善され, 実世界の臨床データから, 癌進展のダイナミクスに関する解釈可能な知見が得られる。
  論文  参考訳（メタデータ） (2021-02-22T17:51:11Z)

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。