論文の概要: Graph-Enhanced Disease Trajectory Discovery and Temporal Endpoint Forecasting from Longitudinal Electronic Health Records

• arxiv url: http://arxiv.org/abs/2610.20502v1
• Date: Wed, 14 Oct 2026 17:08:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:16.262829
• Title: Graph-Enhanced Disease Trajectory Discovery and Temporal Endpoint Forecasting from Longitudinal Electronic Health Records
• Title（参考訳）: 縦断的電子健康記録からのグラフ化疾患の軌跡発見と時間的エンドポイント予測
• Abstract要約: 我々は,グラフ構築前に患者を分割し,列車のみの順応遷移を学習し,エンドポイント固有の分岐モチーフポリシーを凍結するグラフ拡張フレームワークを開発した。 最終カタログには99,527のモチーフと、エンドポイント毎に24の患者互換モチーフを検索するタイムアウェアトランスフォーマーが含まれていた。
• 参考スコア（独自算出の注目度）: 6.600299648478795
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Longitudinal electronic health records (EHRs) can reveal disease-progression structure, while useful forecasting requires leakage-controlled discovery, censor-aware outcomes, and inspectable trajectory evidence. We developed a graph-enhanced framework in MIMIC-IV v3.1 that splits patients before graph construction, learns train-only consecutive-admission transitions, and freezes endpoint-specific branching-motif policies selected on validation data. The final catalog contained 99,527 motifs, and a time-aware Transformer retrieved at most 24 patient-compatible motifs per endpoint through endpoint-specific cross-attention. Across five training seeds, micro-AUPRC increased from 0.9330 to 0.9357, while event-time MAE decreased from 676.9 to 657.7 days (reduction 19.2 days; 95% paired patient-cluster bootstrap CI, 13.8-24.8). Timing effects were heterogeneous: MAE worsened for events within 730 days but improved by 58.9 days for events occurring after 730 days. In an exploratory internal temporal split, branch conditioning reduced conditional event-time MAE by 26.9 days (95% CI, 23.0-30.8) without evidence of better micro-AUPRC. Corrected survival evaluation over the supported 0-2,555-day interval did not establish macro C-index or integrated Brier score superiority over a matched history-only discrete-hazard model. A directed, degree-matched GNN repair substantially improved unseen-edge discovery, yet replacing GNN-derived scores within fixed motif identities did not improve downstream forecasting. These results position branching motifs as structured trajectory context whose main value is long-range timing support rather than uniformly stronger endpoint discrimination, survival prediction, or causal explanation.
• Abstract（参考訳）: 経時的電子健康記録(EHR)は、疾患の進行構造を明らかにすることができるが、有用な予測には、漏洩制御された発見、検閲された結果、検査可能な軌道証拠が必要である。 我々はMIMIC-IV v3.1でグラフ拡張フレームワークを開発し、グラフ構築前に患者を分割し、列車のみの連続順応遷移を学習し、検証データ上で選択されたエンドポイント固有の分岐-モチーフポリシーを凍結する。 最終カタログには99,527のモチーフと、エンドポイント固有のクロスアテンションを通じてエンドポイント毎の24の患者互換モチーフを検索するタイムアウェアトランスフォーマーが含まれていた。 5つの訓練種のうち、micro-AUPRCは0.9330から0.9357に増加し、イベントタイムMAEは676.9から657.7日(減算19.2日、95%対の患者クラスターブートストラップCI, 13.8-24.8)に減少した。 MAEは730日以内では悪化したが、730日以降では58.9日改善した。 探索的な内部時間分割では、分岐条件付けにより、より優れたマイクロAUPRCの証拠のない条件付きイベントタイムMAEが26.9日(95% CI、23.0-30.8)短縮された。 0-2,555日間隔での補正生存評価では,一致した履歴のみの離散ハザードモデルよりもマクロC指数やブリアスコアの優位性を確立できなかった。 指向性、等級整合性GNN修復は未確認の発見を大幅に改善したが、固定モチーフ内のGNN由来のスコアを置き換えることは下流予測の改善には至らなかった。 これらの結果は、分岐モチーフを、一様に強いエンドポイント識別、生存予測、因果的説明よりも、長距離タイミングサポートを主目的とする構造化軌道文脈として位置づける。

関連論文リスト

• A Two-Level Clinical Novelty Prioritization Framework for Disease Trajectories Discovered from Longitudinal Electronic Health Records [6.600299648478795]
  上流の患者分離型MIMIC-IV v3.1パイプラインで発見された99,527個の分岐モチーフを優先する。 このフレームワークは、パスレベルとノード間セマンティックスを信頼性調整された臨床上の優先度から分離する。 これらの知見は, 検出された軌跡の表現的, 不確実性を考慮した文献的相対的優先順位付けを支援する。
  論文  参考訳（メタデータ） (2026-10-14T17:14:29Z)
• RareDx: Controlled Knowledge Integration and Graph-Grounded Policy Optimization for Rare-Disease Diagnosis [39.347267469413076]
  本稿では,知識グラフに基づくポリシー最適化で使用するエビデンスを制御するRareDxを紹介する。 RareDx-Harnessは異種記録を1つのランク付け診断タスクに正規化する。 構造化された医療知識は、コンパクトなモデルを競争力のある診断ランク付けに変換できることを示す。
  論文  参考訳（メタデータ） (2026-09-28T16:24:54Z)
• RAP: Research Attention Prediction Reveals Target-Conditioned Evidence Acquisition Biases [58.92094935632493]
  大規模言語モデル(LLM)は研究エージェントとしての役割がますます高まっているが、研究の関心の変化を追跡する能力は評価が難しい。 278のAI/MLフィールドと1,390のエピソードをカバーするローリングベンチマークであるResearch Attention Prediction (RAP)を紹介する。 それぞれのカットオフで、LLMエージェントは時間的に制限されたarXivコーパスを検索し、次の6ヶ月の論文の共有を8つの凍った研究方向にわたって予測する。
  論文  参考訳（メタデータ） (2026-09-09T12:15:14Z)
• PGP-Clinical-TimeKAN: Prior-Guided Joint Probabilistic Forecasting of Clinical Trajectories [33.074550441856196]
  PGP-Clinical-TimeKANは多変量生理学の合同確率予測のための軌道優先のフレームワークである。 欠如を意識した時間エンコーダ、ソフトオルガン前駆体、患者固有の関係、非線形コルモゴロフ・アルノルドメッセージ、低ランクの多変量学生-tヘッドを組み合わせる。
  論文  参考訳（メタデータ） (2026-08-24T23:33:35Z)
• CT-HEG: A Bidirectional, Timestamp-Attributed Event Graph for ICU In-Hospital Mortality Prediction - An Architectural Ablation Study [0.23453441553817042]
  Continuous-Time Heterogeneous EHR Graph (CT-HEG)は、各ICUを3つのノードタイプを持つ型付きタイムスタンプグラフとしてエンコードする。 MIMIC-IV v3.1で評価した4層ヘテロジニアスGATv2ConvネットワークであるCHIRP-NetとしてCT-HEGをインスタンス化する。
  論文  参考訳（メタデータ） (2026-08-01T19:10:38Z)
• TEDDY: A Pediatric Foundation Model for Risk Forewarning from ICD-Coded Diagnostic Histories [4.659237660627583]
  TEDDY(Temporal Event Decoder for Disease in Youth)は、670万人の子どもたちのICD-10診断を訓練した。 797の病気発症予測タスクは16のICD-10チャプターに及んだが、TEDDYは72.0%の中央値であった。 予測信号は、最初の診断が記録される2年以上前から検出可能であった。
  論文  参考訳（メタデータ） (2026-07-15T16:17:28Z)
• Differentiable latent structure discovery for interpretable forecasting in clinical time series [38.473526928012724]
  連続時間多タスクガウス過程であるStructGPを導入し, 基本的不確かさを保ちながら, 相違構造学習と相違構造学習を組み合わせ, 相互依存の有向非巡回グラフ(DAG)を導出する。 LP-StructGPは,被験者特異的カップリングフィルタとソフトマックスゲーティング機構を用いて,患者間の進行パターンを捉えることで,StructGPを潜在経路に分割し,時間的に変化する軌跡を増大させる。
  論文  参考訳（メタデータ） (2026-04-30T14:59:50Z)
• Multimodal Deep Learning for Early Prediction of Patient Deterioration in the ICU: Integrating Time-Series EHR Data with Clinical Notes [0.0]
  集中治療室(ICU)における臨床劣化のリスクのある患者の早期発見は依然として重要な課題である。 本研究は,24時間以内の患者劣化を予測するために,構造化時系列データ(硝子体標識と実験室値)と非構造化臨床ノートを併用した多モード深層学習手法を提案する。 本アーキテクチャでは,生理的データにおける時間的パターンに対する双方向LSTMエンコーダと臨床メモのためのクリニカルBERT埋め込みを,クロスモーダルアテンション機構を通じて融合させる。
  論文  参考訳（メタデータ） (2026-03-16T01:50:08Z)
• CRTRE: Causal Rule Generation with Target Trial Emulation Framework [47.2836994469923]
  ターゲットトライアルエミュレーションフレームワーク(CRTRE)を用いた因果ルール生成という新しい手法を提案する。 CRTREは、アソシエーションルールの因果効果を推定するためにランダム化トライアル設計原則を適用している。 次に、病気発症予測などの下流アプリケーションにそのような関連ルールを組み込む。
  論文  参考訳（メタデータ） (2024-11-10T02:40:06Z)
• Improving Diffusion Models for ECG Imputation with an Augmented Template Prior [43.6099225257178]
  ノイズと品質の悪い録音は、モバイルヘルスシステムを使って収集された信号にとって大きな問題である。 近年の研究では、確率的時系列モデルによるECGの欠落値の計算が検討されている。 本稿では,様々な健康状態の事前情報として,テンプレート誘導型拡散確率モデル(DDPM)PulseDiffを提案する。
  論文  参考訳（メタデータ） (2023-10-24T11:34:15Z)
• 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)

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。