論文の概要: Patient, Place, Prior (P$^3$): What Counts as Personalization in Medical World Models?

• arxiv url: http://arxiv.org/abs/2610.09194v1
• Date: Tue, 06 Oct 2026 22:45:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.638984
• Title: Patient, Place, Prior (P$^3$): What Counts as Personalization in Medical World Models?
• Title（参考訳）: 患者, 場所, 事前(P$^3$):医療世界モデルにおけるパーソナライズとは何か?
• Abstract要約: 平均人口予測は有用かもしれないが、患者固有の世界モデルクレームを確立することはできない。 患者, 場所, プリエント (P$3$) では, 患者の縦断的画像撮影履歴から, 予測が有用かどうかを問う監査を行った。 また,将来の乳房ダイナミックコントラスト造影検査の凍結表現を予測する一段階モデルであるCancer JEPAを提案する。
• 参考スコア（独自算出の注目度）: 7.951029273711792
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Longitudinal models forecast how a patient's imaging state evolves, but accuracy does not show whether the patient's observed trajectory drives the prediction. A population-average forecast may be useful but cannot establish a patient-specific world-model claim. We introduce Patient, Place, Prior (P$^3$), an audit asking whether a forecast benefits from the patient's longitudinal imaging history (Patient), benefits from patient-matched externally supplied spatial support (Place), and gains predictive value beyond a population-average prediction under matched support and context (Prior). We also propose Cancer JEPA, a one-step model that forecasts frozen representations of future breast dynamic contrast-enhanced MRI examinations during neoadjuvant therapy. It adds a lesion-constrained neural correction, trained with an occlusion-based latent objective, to a patient-conditioned low-complexity reduced-rank regression baseline. This factorization permits a post-hoc P$^3$ audit of the frozen model. In a validation cohort previously used in development, forecast error is lower when the neural correction receives the patient's history rather than another patient's and patient-matched lesion occupancy maps rather than substituted maps. However, the descriptive 95% interval comparing the correction computed from patient history with the population-average neural correction includes zero. P$^3$ thus separates input use from evidence of patient-specific predictive value beyond a population-level pattern.
• Abstract（参考訳）: 縦断モデルでは、患者の画像状態がどのように進化するかが予測されるが、患者の観察された軌跡が予測を駆動するかどうかの精度は示さない。 平均人口予測は有用かもしれないが、患者固有の世界モデルクレームを確立することはできない。 患者,場所,事前 (P$^3$) は,患者の縦断的イメージ履歴(Patient)による予測効果,患者が適合した外部供給型空間的サポート(Place)の利点,マッチングされたサポートとコンテキスト(Prior)の下での人口平均予測以上の予測価値が得られたこと(Prior)。 また,乳房のダイナミックコントラスト強調検査の凍結表現をネオアジュバント治療中に予測するワンステップモデルであるClanic JEPAも提案した。 病変に制約のある神経矯正を加え、オクルージョンに基づく潜伏目標で訓練し、患者が条件とした低複雑さの低ランク回帰ベースラインに付加する。 この因子化は、凍結モデルのポストホックP$^3$監査を可能にする。 これまで開発に用いられてきたバリデーションコホートでは、代用地図ではなく、患者の他の患者や患者に適合した病変の占有地図よりも、神経矯正が患者の履歴を受信した場合、予測誤差が低下する。 しかし、患者履歴から計算した補正と人口平均神経矯正とを比較した記述的95%間隔はゼロである。 P$^3$は、患者固有の予測値が集団レベルのパターンを超えた証拠から入力の使用を分離する。

関連論文リスト

• Repeated-Measure Leakage, Distribution Shift, and Reliability under Partial Observation in Patient World Models [0.0]
  患者世界モデルは, 経時的予測, 介入意識推論, 臨床・臨床的シミュレーションのために提案される。 我々はこれらの前提条件を意図的に狭い環境で評価する。 永続化、リッジ、コントロール、GRU、Transformer、コンパクトなJEPAスタイルの予測器を使って、評価はしごを構築します。 その結果, 患者分離, 繰り返し測定, シフト, 欠落, 検証の必要条件評価スタックが得られた。
  論文  参考訳（メタデータ） (2026-10-03T21:35:59Z)
• Probabilistic learning to perform pre-onset individualised prediction of disease severity: application to Veno Occlusive Disease [0.0]
  我々は,患者が発症する重症度を,信頼性,自動化,早期に予測できる新しい確率論的教師あり学習アプローチを推進している。 対象患者のデジタル双生児(DT)におけるVeno Occlusive Disease(VOD)の重症度スコアの移植前予測を通じて,予測能力を示す。 このような自動予測を行うためにAI施設が開発され、医師は、患者が検討中のDTを特徴付ける移植前状態にデータを入力する。
  論文  参考訳（メタデータ） (2026-06-02T11:23:36Z)
• Self-Supervised Laplace Approximation for Bayesian Uncertainty Quantification [45.61685127984694]
  我々は,ベイズモデルの予測不確実性を,自己予測データに基づいて定量化する。 Self-Supervised Laplace Approximation (SSLA)のモジュール構造は、さまざまな事前仕様をプラグインすることができます。 高価なリフィットを回避すべく、ASSLAと呼ばれるSSLAの近似バージョンをさらに導入する。
  論文  参考訳（メタデータ） (2026-05-12T14:46:08Z)
• SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
  セプシスは米国での院内死亡の主な原因である。 既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。 限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-24T04:47:36Z)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• Enhancing Uncertain Demand Prediction in Hospitals Using Simple and Advanced Machine Learning [3.9054437595657534]
  イスラエルのランバム医療センターの患者ケア需要データを用いて, 両モデルが時間差の患者需要を効果的に捉えていることを示す。 機械学習を用いて3日または1週間前に、患者のケア需要を精度よく予測できる(約4人)。
  論文  参考訳（メタデータ） (2024-04-29T13:05:59Z)
• Foresight -- Deep Generative Modelling of Patient Timelines using Electronic Health Records [46.024501445093755]
  医学史の時間的モデリングは、将来の出来事を予測し、シミュレートしたり、リスクを見積り、代替診断を提案したり、合併症を予測するために使用することができる。 我々は、文書テキストを構造化されたコード化された概念に変換するためにNER+Lツール(MedCAT)を使用する新しいGPT3ベースのパイプラインであるForesightを提示する。
  論文  参考訳（メタデータ） (2022-12-13T19:06:00Z)
• Psychotic Relapse Prediction in Schizophrenia Patients using A Mobile Sensing-based Supervised Deep Learning Model [1.4922888318989764]
  モバイルセンシングに基づく行動変化のモデリングは、統合失調症患者の時間的介入に対する精神遅滞を予測できる。 深層学習モデルは、予測に関連する潜在行動の特徴をモデル化することによって、再学習予測のための既存の非深層学習モデルを補完することができる。 本稿では,リラプス予測のためのニューラルネットワークモデルであるRelapsePredNetを提案する。
  論文  参考訳（メタデータ） (2022-05-24T17:34:19Z)
• Approximate Bayesian Computation for an Explicit-Duration Hidden Markov Model of COVID-19 Hospital Trajectories [55.786207368853084]
  新型コロナウイルス(COVID-19)のパンデミックの中、病院の資源をモデル化する問題に取り組んでいます。 幅広い適用性のために、関心のある領域の患者レベルデータが利用できない、一般的なが困難なシナリオに注目します。 本稿では,ACED-HMM(ACED-HMM)と呼ばれる集合数正規化隠れマルコフモデルを提案する。
  論文  参考訳（メタデータ） (2021-04-28T15:32:42Z)
• Adaptive Prediction Timing for Electronic Health Records [3.308743964406688]
  適応率で患者結果を予測する新しい,より現実的なアプローチを導入する。 リカレントニューラルネットワーク(RNN)とベイズ埋め込み層に新しいアグリゲーション法を適用し,適応予測のタイミングを示す。 入院48時間後,本モデルではスタティックウインドウと同等の性能を示した。
  論文  参考訳（メタデータ） (2020-03-05T12:02:44Z)
• Short Term Blood Glucose Prediction based on Continuous Glucose Monitoring Data [53.01543207478818]
  本研究では,デジタル意思決定支援ツールの入力として連続グルコースモニタリング(Continuous Glucose Monitoring, CGM)データを利用する方法について検討する。 短時間の血液グルコース (STBG) 予測において, リカレントニューラルネットワーク (Recurrent Neural Networks, RNN) をどのように利用できるかを検討する。
  論文  参考訳（メタデータ） (2020-02-06T16:39:44Z)

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。