Fugu-MT 論文翻訳(概要): A Two-Level Clinical Novelty Prioritization Framework for Disease Trajectories Discovered from Longitudinal Electronic Health Records

論文の概要: A Two-Level Clinical Novelty Prioritization Framework for Disease Trajectories Discovered from Longitudinal Electronic Health Records

arxiv url: http://arxiv.org/abs/2610.20512v1
Date: Wed, 14 Oct 2026 17:14:29 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-15 21:06:16.264466
Title: A Two-Level Clinical Novelty Prioritization Framework for Disease Trajectories Discovered from Longitudinal Electronic Health Records
Title（参考訳）: 経時的電子カルテから発見された疾患軌跡の2段階的新規優先順位付けフレームワーク
Abstract要約: 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。
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: Graph-based analysis of electronic health records (EHRs) yields disease-trajectory catalogs, but structural support does not establish semantic novelty. We present a two-level framework to prioritize 99,527 branching motifs previously discovered by an upstream patient-disjoint, train-only MIMIC-IV v3.1 pipeline and frozen after validation-based catalog selection. The framework separates path-level and node-to-endpoint semantic sparsity from reliability-adjusted clinical priority. Three deterministic textualizations per motif or node-target pair were embedded with BAAI/bge-small-en-v1.5 and calibrated against 166,972 pre-2023 PubMed references using mean top-20 cosine distance. Positive recombination occurred in 8.63% of motifs and had negligible effect on global ranking, whereas specificity and support/GNN reliability terms changed clinical-priority ordering. Robustness analyses across neighbor counts, templates, encoders, generic-label taxonomies, score settings, PrimeKG, and corrected density-based RND showed that broad ordering was more stable than hard top-k membership. A semantic-dose analysis did not support a monotonic relation between score and forecasting benefit after endpoint and token-count adjustment (1.96 days per SD; 95% CI, -0.75 to 4.68). In the frozen catalog-q90 high-semantic subgroup, branch-enhanced forecasting reduced conditional event-time MAE by 20.1 days (95% CI, 13.3-27.0) and sMAPE by 2.37 percentage points (95% CI, 1.81-2.93), while discrimination and endpoint-ranking differences were inconclusive. Corrected RND showed low tail agreement with the primary score (Spearman rho = 0.430; q90 Jaccard = 0.125) despite a similar aggregate timing association. These findings support representation-aware, uncertainty-aware literature-relative prioritization of discovered trajectories rather than causal discovery or clinician-adjudicated novelty.
Abstract（参考訳）: 電子健康記録(EHR)のグラフに基づく分析は、疾患の軌跡カタログを生成するが、構造的サポートは意味的新奇性を確立しない。提案する2段階のフレームワークは,これまで上流の患者分離型MIMIC-IV v3.1パイプラインで検出されていた99,527個の分岐モチーフを優先し,検証に基づくカタログ選択後に凍結する。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。 3つの決定論的テキスト化をBAAI/bge-small-en-v1.5に埋め込み,平均トップ20コサイン距離を用いて166,972個のPubMed参照を校正した。正の組換えはモチーフの8.63%で発生し、グローバルランキングに無視できる効果を示したが、特異性とサポート/GNN信頼性の条件は臨床優先の順序を変えた。近隣のカウント、テンプレート、エンコーダ、ジェネリックラベル分類、スコア設定、プライムKG、修正された密度ベースRNDのロバストネス解析により、広順序化はハードトップkのメンバーシップよりも安定していることが示された。意味量分析は、エンドポイントとトークン数調整後のスコアと予測利益(SDあたり1.96日、95% CI、-0.75から4.68)の単調な関係をサポートしなかった。凍結されたカタログ-q90ハイセマンティックサブグループでは、分岐強化予測により条件付きイベントタイムMAEが20.1日(95% CI, 13.3-27.0)、sMAPEが2.37ポイント(95% CI, 1.81-2.93)減少し、識別とエンドポイントレベルの差は決定的ではなかった。修正されたRNDは、同様の集計タイミングの関連にもかかわらず、一次スコア(Spearman rho = 0.430; q90 Jaccard = 0.125)と低い尾の一致を示した。これらの知見は, 因果的発見や臨床適応的ノベルティよりも, 発見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持した。

関連論文リスト

Graph-Enhanced Disease Trajectory Discovery and Temporal Endpoint Forecasting from Longitudinal Electronic Health Records [6.600299648478795]
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。
論文参考訳（メタデータ） (2026-10-14T17:08:50Z)
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)
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)
A Multidimensional Data-Driven Hybrid Transformer Framework for Non-invasive Continuous Blood Pressure Prediction [28.58502100288247]
本稿では,ECG/III特徴系列から拡張型および収縮型BPを推定するハイブリッドトランスフォーマーフレームワークを提案する。このフレームワークは、生の波形ではなく、生理的記述子の10段階のシーケンスと、2つの人口統計学的コをモデル化する。
論文参考訳（メタデータ） (2026-08-24T14:02:10Z)
Characterizing Treatment-Context Medication Evidence Across Clinic Notes and Structured EHR Medication History [1.6612653577971574]
臨床メモと構造化電子健康記録(EHR)の薬歴は、しばしば異なる薬物情報を含んでいる。同じ視認的な意見の相違は、ノート側の正規化エラー、用語やタイミングの違い、実際の文書の違いによって生じる。我々は,大規模言語モデル(LLM)による参照構築,対象的・ランダムな人的レビュー,決定論的薬物正規化,構造化された医薬品の歴史と意味的・時間的比較を用いたノート・グラウンド・アプローチを開発した。
論文参考訳（メタデータ） (2026-08-03T01:00:01Z)
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)
From Black Box to Glass Box: Cross-Model ASR Disagreement to Prioto Review in Ambient AI Scribe Documentation [43.148402136307716]
異種ASRシステム間のクロスモデル不一致は、基準のない不確実性信号として機能する。商用APIとオープンソースエンジンにまたがる8つのASRシステムを備えた,50の公開医療用オーディオクリップを転写した。低アグリメント領域は内容の不一致に富み、高リスク質量のクインタイル全体では53.9%から73.9%に増加した。
論文参考訳（メタデータ） (2026-03-02T13:02:13Z)
ClinNet: Evidential Ordinal Regression with Bilateral Asymmetry and Prototype Memory for Knee Osteoarthritis Grading [3.337151338735509]
X線画像に基づく膝関節症(KOA)の診断は極めて難しい課題である。本研究では, KOA グレーディングに対処する信頼性の高い新しいフレームワーク ClinNet を提案する。
論文参考訳（メタデータ） (2026-01-24T05:49:41Z)
MeCaMIL: Causality-Aware Multiple Instance Learning for Fair and Interpretable Whole Slide Image Diagnosis [40.3028468133626]
MIL(Multiple Case Learning)は、コンピュータ病理学における全スライド画像(WSI)解析の主流パラダイムとして登場した。因果関係を意識したMILフレームワークである textbfMeCaMIL は、構造化因果グラフを通じて、階層的共同創設者を明示的にモデル化する。 MeCaMILは優れた公正性を達成する -- 人口格差の分散は、属性全体の平均で65%以上減少する。
論文参考訳（メタデータ） (2025-11-14T06:47:21Z)

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。