論文の概要: OverdoseMoE: A Multi-Expert Framework for Opioid Overdose Risk Prediction
- arxiv url: http://arxiv.org/abs/2609.40108v3
- Date: Mon, 05 Oct 2026 01:11:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-07 04:43:28.476465
- Title: OverdoseMoE: A Multi-Expert Framework for Opioid Overdose Risk Prediction
- Title（参考訳）: OverdoseMoE:オピオイド過量リスク予測のための多機能フレームワーク
- Abstract要約: オピオイド過剰摂取は、主要な臨床および公衆衛生上の負担である。
前1年間のICD症例から180日間のオピオイド過剰摂取リスク予測のための診断特異的適応法を開発した。
OVERDOSEMOE(OVERDOSEMOE)は,異なるスケールのモデルを統合するマルチエキスパートフレームワークである。
- 参考スコア（独自算出の注目度）: 16.242626666722916
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Opioid overdose remains a major clinical and public health burden, highlighting the need for scalable approaches to identify patients at high risk. Here, we investigate diagnosis-specific adaptation for 180-day opioid overdose risk prediction from patients' preceding one-year longitudinal ICD histories. We develop OODMAMBA and OODQWEN through continued pretraining on longitudinal diagnostic sequences followed by task-specific fine-tuning. Building on the stronger Qwen-based predictors, we further propose OVERDOSEMOE, a multi-expert framework that integrates models of different scales using complementary expert-weighting strategies. Diagnosis-specific adaptation consistently improved predictive performance over general-purpose language-model baselines, with OODQWEN achieving an AUPRC of 24.47 and an AUROC of 68.56. OVERDOSEMOE further improved discrimination and precision, achieving an AUPRC of 25.17 and an AUROC of 69.49 while outperforming the strongest single-model baselines. Among patients ranked in the top 5% of predicted risk, OVERDOSEMOE identified substantially enriched overdose risk, achieving a PPV of 25.38% while retaining meaningful recall. Evaluation on an independent MIMIC-IV cohort further demonstrated cross-cohort robustness, with complementary weighting strategies showing advantages across different performance measures. These findings demonstrate that diagnosis-specific language-model adaptation combined with multi-expert integration can improve opioid overdose risk stratification and support more robust prediction across heterogeneous electronic health record populations.
- Abstract（参考訳）: オピオイド過剰摂取は、大きな臨床および公衆衛生上の負担であり、リスクの高い患者を特定するためのスケーラブルなアプローチの必要性を強調している。
今回我々は,180日間のオピオイド過剰摂取リスク予測における診断特異的適応について検討した。
縦断的診断シーケンスのトレーニングを継続し,タスク固有の微調整を施したOODMAMBAとOODQWENを開発した。
より強力なQwenベースの予測器上に構築されたOVERDOSEMOEは,異なるスケールのモデルを補完的な専門家の重み付け戦略を用いて統合するマルチエキスパートフレームワークである。
OODQWENのAUPRCは24.47、AUROCは68.56である。
OVERDOSEMOEは差別と精度をさらに向上させ、AUPRC 25.17、AUROC 69.49を達成し、最強の単一モデルベースラインを上回った。
予測リスクの上位5%にランクインした患者のうち、OVERDOSEMOEは実質的に過剰摂取のリスクを増大させ、有意義なリコールを維持しながら25.38%のPPVを達成した。
独立MIMIC-IVコホートの評価は、異なる性能指標の利点を示す相補的な重み付け戦略により、クロスコホートロバスト性をさらに証明した。
以上の結果から, 診断特異的言語モデル適応とマルチエキスパート統合が組み合わさってオピオイド過量リスク階層化を向上し, 異種電子健康記録群におけるより堅牢な予測を支援することが示唆された。
関連論文リスト
- Prospective evaluation of multimodal respiratory failure prediction: Do chest X-rays improve performance beyond EHR signals? [4.250825424649631]
我々は、構造化EHR時系列データをCXR基礎モデル表現と統合するゲート型マルチモーダルフレームワークを開発した。
ICU患者24時間以内の侵襲的機械換気予測の枠組みについて検討した。
論文 参考訳（メタデータ） (2026-05-25T18:25:47Z) - Cerebra: A Multidisciplinary AI Board for Multimodal Dementia Characterization and Risk Assessment [56.62016795093786]
CerebraはインタラクティブなマルチエージェントAIチームで、ERH、臨床ノート、医療画像分析のための特殊エージェントをコーディネートする。
構造化された表現を操作することで、プライバシ保護デプロイメントをサポートし、モダリティが不完全であれば、堅牢である。
Cerebraは、有識者のパフォーマンスを著しく改善し、前向き認知症リスク推定において精度を17.5ポイント向上させた。
論文 参考訳（メタデータ） (2026-03-23T05:46:45Z) - A DeepSeek-Powered AI System for Automated Chest Radiograph Interpretation in Clinical Practice [83.11942224668127]
Janus-Pro-CXR (1B) はDeepSeek Janus-Proモデルに基づく胸部X線解釈システムである。
本システムは, 自動レポート生成において, 最先端のX線レポート生成モデルより優れる。
論文 参考訳（メタデータ） (2025-12-23T13:26:13Z) - Early GVHD Prediction in Liver Transplantation via Multi-Modal Deep Learning on Imbalanced EHR Data [22.614624167146044]
移植片対宿主病(GVHD)は稀であるが肝移植では致命的な合併症である。
マルチモーダルな深層学習手法を活用することで,GVHDの早期予測を推し進めることを目指している。
論文 参考訳（メタデータ） (2025-11-06T20:56:39Z) - A Disease-Centric Vision-Language Foundation Model for Precision Oncology in Kidney Cancer [54.58205672910646]
RenalCLIPは、腎腫瘤の特徴、診断、予後のための視覚言語基盤モデルである。
腎がんの完全な臨床ワークフローにまたがる10のコアタスクにおいて、優れたパフォーマンスと優れた一般化性を実現した。
論文 参考訳（メタデータ） (2025-08-22T17:48:19Z) - Effective Predictive Modeling for Emergency Department Visits and Evaluating Exogenous Variables Impact: Using Explainable Meta-learning Gradient Boosting [0.18846515534317265]
本稿では,毎日のED訪問を正確に予測するためのメタラーニンググラディエント・ブースター(Meta-ED)手法を提案する。
提案したMeta-EDは,4つの基礎学習者からなる。Catboost,Random Forest,Extra Tree,LightGBoostは信頼性の高いトップレベルの学習者,Multi-Layer Perceptron(MLP)である。
そこで本研究では,メタEDモデルの有効性を,23モデルを含む広範囲な比較分析により評価した。
論文 参考訳（メタデータ） (2024-11-18T04:23:20Z) - HiMAL: A Multimodal Hierarchical Multi-task Auxiliary Learning framework for predicting and explaining Alzheimer disease progression [0.0]
HiMAL (Hierarchical, Multi-task Auxiliary Learning) フレームワークを開発した。
軽度認知障害からアルツハイマー病への移行の経時的リスクを推定する補助的タスクとして認知複合機能を予測する。
論文 参考訳（メタデータ） (2024-04-04T05:30:03Z) - Clinical Outcome Prediction from Admission Notes using Self-Supervised
Knowledge Integration [55.88616573143478]
臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。
退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。
複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
論文 参考訳（メタデータ） (2021-02-08T10:26:44Z) - UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced
Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。
UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。
非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。
UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文 参考訳（メタデータ） (2020-10-22T02:28:11Z)
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。