論文の概要: Feedback-Robust AI for Patient Knowledge Graphs
- arxiv url: http://arxiv.org/abs/2609.33248v1
- Date: Sun, 27 Sep 2026 05:39:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-06 01:51:05.994224
- Title: Feedback-Robust AI for Patient Knowledge Graphs
- Title（参考訳）: 患者知識グラフのためのフィードバックロバストAI
- Abstract要約: ClosedLoopBenchについて紹介する。物理,薬理学,臨床実習で固定された徴候と29の関係について検討する。
ヌルストリーム下でのVitalDBでは、グラフ毎に0.06-0.10の偽の概念レベルの関係インスタンスがあり、相関構造は10-12である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Patient knowledge graphs from bedside monitoring should type their relations and state whether the data support their signs. In anesthesia and intensive care, clinicians titrate drugs and ventilation in response to the physiology, so temporal relations mix the patient's response with the clinician's policy. We introduce ClosedLoopBench: 29 relations with signs fixed by physics, pharmacology or clinical practice, on 3,442 VitalDB surgical cases (12,653 h) with negative-control action streams. When each patient's actions are replaced by another patient's, six of 12 estimators declare on average 11-18 of their 19-29 distinct relation estimates significant without calibration, and after calibration cross-correlation and Granger tests still assign ventilator rate -> end-tidal CO2 the sign of the clinician's policy. We propose feedback-robust patient graphs that combine concept nodes with evidence pointers, typed relations admitted against negative controls, and beat-level couplings. On VitalDB under null streams, our graphs contain 0.06-0.10 false concept-level relation instances per graph, versus 10-12 for correlational construction. Patient-specific estimates of 11 slow drug and ventilator responses predict later data no better than population estimates, whereas the pulse-arrival-time-systolic-pressure slope is negative in 94.3% of 2,884 cases and patient-specific (early-late correlation 0.67 [0.63, 0.70]).
- Abstract（参考訳）: ベッドサイドのモニタリングから得られた患者知識グラフは、それらの関係をタイプし、データがサインをサポートするかどうかを記入すべきである。
麻酔と集中治療では、臨床医は生理学に反応して薬と換気を刺激するので、時間的関係は患者の反応と臨床医の方針を混合する。
手術症例は3,442例 (12,653 h) で, 負の制御作用が認められた。
各患者の行動が別の患者の行動に置き換わる場合、19-29の異なる関係の平均11-18において、12人の推定者がキャリブレーションなしで有意な評価を宣言する。
本稿では,概念ノードとエビデンスポインター,負の制御に反する型付き関係,ビートレベル結合を組み合わせ,フィードバックを損なう患者グラフを提案する。
ヌルストリーム下でのVitalDBでは、グラフ毎に0.06-0.10の偽の概念レベルの関係インスタンスがあり、相関構造は10-12である。
患者特異的な11の緩やかな薬物と人工呼吸器の反応は、人口推計に劣らず、パルス-時間-収縮-圧力勾配は2,884例の94.3%、患者特異的(早期相関0.67[0.63, 0.70])で陰性である。
関連論文リスト
- Learning a Continuous Sepsis Severity Score Without Hour-by-Hour Supervision: A Two-Site Retrospective Study [6.58570893992725]
現在使われているセプシスの重症度指数は、数十年前に確立された固定変数と重みに依存している。
72時間処理ウィンドウ上で43変数を正規チャート化して死亡率の指標を作成した。
乳酸濃度の変化は乳酸濃度の変化と相関した。
論文 参考訳（メタデータ） (2026-08-27T17:46:21Z) - PerCaM-Health: Personalized Dynamic Causal Graphs for Healthcare Reasoning [26.25923484672118]
PerCaM-Healthは、縦型健康データからパーソナライズされた動的因果グラフを学習するためのフレームワークである。
これらのグラフを時間構造方程式と結合することにより、このフレームワークは患者レベルの対実的なクエリを可能にする。
論文 参考訳（メタデータ） (2026-05-08T05:31:45Z) - 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) - Detecting Clinical Discrepancies in Health Coaching Agents: A Dual-Stream Memory and Reconciliation Architecture [71.46525715889656]
汎用エージェントメモリシステムは、ユーザの最新のステートメントで古い事実を上書きすることでコヒーレンスを最適化する。
本稿では,患者の物語を構造化された臨床記録から厳密に分離するDual-Stream Memory Architectureを提案する。
675日間のウェルネスコーチングセッションにおいて,26名の患者を対象にこのアーキテクチャを評価した。
論文 参考訳（メタデータ） (2026-04-29T17:59:28Z) - Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。
また,死亡率と臓器不全の関連性について有意な知見が得られた。
論文 参考訳（メタデータ） (2024-07-28T02:42:36Z) - Analyzing Participants' Engagement during Online Meetings Using Unsupervised Remote Photoplethysmography with Behavioral Features [50.82725748981231]
エンゲージメント測定は、医療、教育、サービスに応用される。
生理的特徴と行動的特徴の使用は可能であるが、従来の生理的測定の非現実性は接触センサーの必要性により生じる。
コンタクトセンサの代替として, 教師なし光胸腺造影(胸腔鏡)の有用性を実証する。
論文 参考訳（メタデータ） (2024-04-05T20:39:16Z) - Interpreting Forecasted Vital Signs Using N-BEATS in Sepsis Patients [0.5541644538483947]
本研究は,集中治療室(ICU)における敗血症患者の3時間の生命予後を予測できる,解釈可能な深層学習予測モデルであるN-BEATSについて検討する。
我々はN-BEATSの解釈可能な構成を用いて、バイタルサインの傾向を予測し、それらを実際の傾向と比較し、患者の変化状況と、輸液剤がバイタルサインに与える影響をよりよく理解する。
その結果, 実際の傾向と予測傾向が一致した場合の死亡率(92%)は, 類似しない時期に比べて高かった。
論文 参考訳（メタデータ） (2023-06-24T16:23:54Z) - Dynamic Healthcare Embeddings for Improving Patient Care [0.0]
患者, 医師, 部屋, 薬品の動的埋め込みを学習するための, 異種共進化型動的ニューラルネットワークDECENTを提案する。
学習した患者埋め込みを予測モデルに用いた結果、DECENTは死亡リスク予測タスクで最大48.1%向上していることがわかった。
学習した医師、薬品、部屋の埋め込みに関するケーススタディは、我々のアプローチが有意義で解釈可能な埋め込みを学習していることを示している。
論文 参考訳（メタデータ） (2023-03-21T03:14:15Z) - Classifying the evolution of COVID-19 severity on patients with combined
dynamic Bayesian networks and neural networks [1.9766522384767222]
患者の病気の重症度を事前に知ることは、治療とリソースの整理を改善することができる。
この問題は、第6次流行波からスペインで流行したCOVID-19患者のデータセットで説明します。
我々は、動的ベイズネットワークを用いて、今後40時間にわたる患者のバイタルサインと血液分析結果を予測するとともに、その期間における患者疾患の重症度を評価するニューラルネットワークを組み合わせた。
論文 参考訳（メタデータ） (2023-03-10T15:05:32Z) - 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) - Learning Dynamic and Personalized Comorbidity Networks from Event Data
using Deep Diffusion Processes [102.02672176520382]
コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。
電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。
我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
論文 参考訳（メタデータ） (2020-01-08T15:47:08Z)
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。