論文の概要: Learning Continuous Patient Trajectories from Electronic Health Records

• arxiv url: http://arxiv.org/abs/2609.36144v1
• Date: Mon, 28 Sep 2026 19:18:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:46.967288
• Title: Learning Continuous Patient Trajectories from Electronic Health Records
• Title（参考訳）: 電子カルテから連続患者軌道を学習する
• Abstract要約: EHRFlowは、エンコードされた患者の歴史を規定するマルチマージンフローマッチングフレームワークである。 自己回帰的および履歴非依存のフローマッチングベースラインよりも、水平平均のトップ5臨床コード精度が向上する。
• 参考スコア（独自算出の注目度）: 36.792302176381035
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Electronic health records provide irregular observations of latent patient states that evolve continuously over time. Recent autoregressive models condition on clinical histories to forecast future events as sequences of discrete observations. Conversely, multi-marginal flow matching provides a continuous-time formulation, but using multiple observations to supervise training paths does not itself give the learned dynamics access to preceding patient history. We introduce EHRFlow, a multi-marginal flow-matching framework that conditions on encoded patient history, thereby allowing future dynamics to depend on the patient's prior clinical trajectory. Our proposed framework accommodates irregular observation times and supports forecasting at arbitrary horizons. Across controlled synthetic benchmarks, EHRFlow improves clinical-code forecasting and latent-state recovery. On real-world clinical datasets comprising more than one million patients, including an independent external validation cohort, EHRFlow improves horizon-averaged top-5 clinical-code accuracy over autoregressive and history-independent flow-matching baselines. Finally, in a controlled counterfactual simulation, conditional guidance approximates the known effect of an antihypertensive intervention without training a task-specific outcome model.
• Abstract（参考訳）: 電子的な健康記録は、時間とともに継続的に進化する潜伏した患者の状態を不規則に観察する。 近年の自己回帰モデルでは, 臨床経過を個別観測のシーケンスとして予測する。 逆に、マルチマージナルフローマッチングは、連続的な時間的定式化を提供するが、トレーニングパスを監督するために複数の観測値を使用すると、学習されたダイナミックスが先行する患者の履歴にアクセスできるようになるわけではない。 患者履歴を符号化したマルチマージフローマッチングフレームワークである EHRFlow を導入し,患者のこれまでの臨床経過に依存した将来的な動態について考察した。 提案手法は不規則な観測時間に対応し,任意の地平線での予測をサポートする。 制御された総合ベンチマーク全体で、EHRFlowは臨床コード予測と潜在状態回復を改善している。 独立した外部バリデーションコホートを含む100万人以上の患者からなる実世界の臨床データセットにおいて、EHRFlowは、自己回帰的および履歴に依存しないフローマッチングベースラインよりも平均5つの臨床コード精度を改善する。 最後に、制御された対実シミュレーションにおいて、条件付きガイダンスは、タスク固有の結果モデルを訓練することなく、高血圧治療の既知の効果を近似する。

関連論文リスト

• NOAH: Learning the Full Patient Journey. A Longitudinal Multimodal Time-Aware Model for Representation and Forecasting [15.183085955033148]
  患者の全旅行を表現・予測する,時間的,タスクに依存しない,生成的トランスフォーマーモデルであるNOAHを紹介する。 NOAHは、医療画像、時系列および数値信号、分類的事象、および構造化され、構造化されていない臨床記録を処理する。 臨床結果の探索において高いパフォーマンスを示す、高情報かつ予測可能な患者の状態表現を生成する。
  論文  参考訳（メタデータ） (2026-09-08T17:56:13Z)
• MedFlow: Class-Aware Multi-Scale Generation for Medical Time-Series Synthesis [61.211117385840396]
  医用時系列合成のためのクラス認識フローマッチングフレームワークであるMedFlowを提案する。 MedFlowは、ベクトル量子化マルチスケールトークンーザを使用して、補完的な時間分解能で医療シーケンスを表現する。 クラス条件トークン統計を直接フローマッチングプロセスに組み込むToken Marginal Guidanceは、クラス固有の領域へのステアリングを生成する。
  論文  参考訳（メタデータ） (2026-09-04T07:02:12Z)
• Scaling Recurrence-aware Foundation Models for Clinical Records via Next-Visit Prediction [34.2525943791427]
  本稿では、Recurrence-Aware next-Visit EveNt予測に基づく、シーケンシャルEHRデータの新たな生成事前学習戦略であるRAVENを提案する。 本モデルでは,患者の来訪履歴に基づいて,自己回帰的にトークン化臨床イベントを自動生成することを学ぶ。
  論文  参考訳（メタデータ） (2026-03-25T17:42:47Z)
• Generative Modeling of Clinical Time Series via Latent Stochastic Differential Equations [0.5753241925582826]
  本稿では,臨床時系列を基礎となる制御力学系の離散時間部分観察とみなす生成的モデリングフレームワークを提案する。 我々のアプローチは、状態推定とパラメータ学習を行いながら、モード依存エミッションモデルを用いたニューラルSDEによる潜時ダイナミクスをモデル化する。 この定式化は自然に観察をサンプリングし、複雑な非線形相互作用を学び、疾患の進行と測定ノイズの相補性を捉える。
  論文  参考訳（メタデータ） (2025-11-20T14:50:49Z)
• Foundation Models for Clinical Records at Health System Scale [40.88151645546234]
  次世代イベント予測を用いたシーケンシャルEHRデータのための新しい生成事前学習戦略を提案する。 本モデルは,患者の来訪履歴に基づいて,各種のトークン化臨床イベントを自己回帰的に生成することを学ぶ。
  論文  参考訳（メタデータ） (2025-07-01T08:52:33Z)
• 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)
• 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)
• COPER: Continuous Patient State Perceiver [13.735956129637945]
  本研究では,ERHにおける不規則な時系列に対処するため,COPERと呼ばれる新規患者状態パーセンシバーモデルを提案する。 ニューラル常微分方程式(ODE)は、COPERが通常の時系列を生成してPerceiverモデルに供給するのに役立ちます。 提案モデルの性能評価には,MIMIC-IIIデータセット上での院内死亡予測タスクを用いる。
  論文  参考訳（メタデータ） (2022-08-05T14:32:57Z)
• Continuous-Time Modeling of Counterfactual Outcomes Using Neural Controlled Differential Equations [84.42837346400151]
  反現実的な結果を予測することは、パーソナライズされたヘルスケアをアンロックする可能性がある。 既存の因果推論アプローチでは、観察と治療決定の間の通常の離散時間間隔が考慮されている。 そこで本研究では,腫瘍増殖モデルに基づく制御可能なシミュレーション環境を提案する。
  論文  参考訳（メタデータ） (2022-06-16T17:15:15Z)
• Estimating Counterfactual Treatment Outcomes over Time Through Adversarially Balanced Representations [114.16762407465427]
  時間とともに治療効果を推定するためにCRN(Counterfactual Recurrent Network)を導入する。 CRNは、患者履歴のバランスの取れた表現を構築するために、ドメイン敵のトレーニングを使用する。 本モデルでは, 正解率の予測と適切な治療時期の選択において, 誤差の低減を図っている。
  論文  参考訳（メタデータ） (2020-02-10T20:47:36Z)

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。