論文の概要: TRACER: A Multimodal Harness for Patient Care in Hospitals

• arxiv url: http://arxiv.org/abs/2610.21266v1
• Date: Thu, 15 Oct 2026 05:00:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:16.19664
• Title: TRACER: A Multimodal Harness for Patient Care in Hospitals
• Title（参考訳）: TRACER : 病院における患者ケアのマルチモーダル・ハーネス
• Abstract要約: 我々は、ビデオから微小レベルのアクションレコードを構築し、臨床記録と組み合わせて時間単位のレポートを作成する、トレーニング不要なマルチモーダルハーネスTRACERを紹介した。 臨床記録と連続ビデオを組み合わせることで,保護された健康データをトレーニングすることなく,患者の行動の経時的および患者コホート間の理解を支援できることが示唆された。
• 参考スコア（独自算出の注目度）: 30.87105953873308
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Continuous video and clinical records provide complementary information for understanding how patient behavior evolves over a hospital stay. A central challenge is how to represent behavior across the entire stay while preserving access to fine-grained visual and clinical evidence. We introduce TRACER, a training-free multimodal harness that constructs minute-level action records from video and combines them with clinical records into hourly reports. The harness equips an LLM agent with tools to query this hierarchy, inspect relevant video, and retrieve clinical records. To evaluate TRACER, we construct two benchmarks. The first contains 397 annotated one-minute clips spanning 15 atomic actions; the second poses 144 clinician-informed multiple-choice questions, grounded in 264 hours of video and clinical records from two ICU patients. TRACER achieves up to 84.8% accuracy for action detection and 61.0% QA accuracy versus 49.3% for the strongest baseline using the same backbone. Across 280 patients spanning approximately 60,000 camera-hours, TRACER identifies significantly less purposeful activity in patients with a positive delirium assessment during their stay than in those without (p < 0.0001). Our results show that combining continuous video with clinical records can support understanding of patient behavior over time and across patient cohorts without training on protected health data.
• Abstract（参考訳）: 連続ビデオと臨床記録は、病院滞在中に患者の行動がどのように進化するかを理解するための補完的な情報を提供する。 中心的な課題は、細かな視覚的および臨床的証拠へのアクセスを維持しながら、滞在中の行動をどのように表現するかである。 我々は、ビデオから微小レベルのアクションレコードを構築し、臨床記録と組み合わせて時間単位のレポートを作成する、トレーニング不要なマルチモーダルハーネスTRACERを紹介した。 ハーネスはこの階層を問い合わせ、関連ビデオを調べ、臨床記録を取得するためのツールをLLMエージェントに装備する。 TRACERを評価するために,2つのベンチマークを構築した。 1回目は15の原子反応にまたがる397本の注釈付き1分間のクリップを含み、2回目は144人のクリニカルインフォームド・マルチ・チョイスの質問を、264時間のビデオと2人のICU患者の臨床記録に基づいて撮影する。 TRACERは、アクション検出の84.8%の精度と、61.0%のQAの精度を、同じバックボーンを使用した最強のベースラインの49.3%に対して達成している。 TRACERは、約6万時間にわたる約280人の患者に対して、滞在中(p<0.0001。 臨床記録と連続ビデオを組み合わせることで,保護された健康データをトレーニングすることなく,患者の行動の経時的および患者コホート間の理解を支援できることが示唆された。

関連論文リスト

• Benchmarking Multi-turn Medical Diagnosis: Hold, Lure, and Self-Correction [72.89352076103889]
  大規模言語モデル (LLM) は, 臨床情報がすべて一ターンで提供される場合に, 高い精度で診断を行う。 1,035例からなる高忠実多ターン診断ベンチマークであるMINTを導入する。 診断決定に大きな影響を及ぼす3つの永続的な行動パターンを明らかにする。
  論文  参考訳（メタデータ） (2026-04-06T00:23:10Z)
• LiveClin: A Live Clinical Benchmark without Leakage [50.45415584327275]
  LiveClinは、実際の臨床実践を近似するために設計されたライブベンチマークである。 本研究は,患者を臨床経過全体にわたる複雑なマルチモーダルな評価シナリオに転換する。 LiveClin上で26のモデルを評価すると、これらの実世界のシナリオの難しさが明らかとなり、最高性能のモデルではケース精度が35.7%に達した。
  論文  参考訳（メタデータ） (2026-02-18T03:59:46Z)
• Longitudinal and Multimodal Recording System to Capture Real-World Patient-Clinician Conversations for AI and Encounter Research: Protocol [0.0]
  本研究は,マヨクリニックの外来内科で実施されている。 参加診療所への直接訪問患者を招待し、360度ビデオカメラで記録する。 訪問後、患者は共感、満足度、ペース、治療負担に関する調査を完了する。 2025年8月までに、36人の臨床医のうち35人(97%)と281人の患者のうち212人(75%)が同意した。
  論文  参考訳（メタデータ） (2025-09-19T19:42:27Z)
• Detecting Visual Cues in the Intensive Care Unit and Association with Patient Clinical Status [0.9867627975175174]
  ICUの既存の患者評価は散発的であり、手動で管理されている。 我々はデータ不均衡問題に対処する新しい「マスケッド損失計算」手法を開発した。 634,054フレームのAU推論を行い,顔面AUと臨床的に重要な患者状況との関連性について検討した。
  論文  参考訳（メタデータ） (2023-11-01T15:07:03Z)
• SPeC: A Soft Prompt-Based Calibration on Performance Variability of Large Language Model in Clinical Notes Summarization [50.01382938451978]
  本稿では,ソフトプロンプトを用いたモデルに依存しないパイプラインを導入し,確率に基づく要約の利点を保ちながら分散を減少させる。 実験結果から,本手法は性能を向上するだけでなく,様々な言語モデルの分散を効果的に抑制することが明らかとなった。
  論文  参考訳（メタデータ） (2023-03-23T04:47:46Z)
• Intelligent Sight and Sound: A Chronic Cancer Pain Dataset [74.77784420691937]
  本稿では,Intelligent Sight and Sound (ISS) 臨床試験の一環として収集された,最初の慢性ガン痛データセットを紹介する。 これまで収集されたデータは29の患者、509のスマートフォンビデオ、189,999のフレーム、そして自己報告された感情と活動の痛みのスコアから成っている。 静的画像とマルチモーダルデータを用いて、自己報告された痛みレベルを予測する。
  論文  参考訳（メタデータ） (2022-04-07T22:14:37Z)
• Automated Detection of Patients in Hospital Video Recordings [1.759613153663764]
  臨床環境では、てんかん患者は、ビデオ脳波検査(EEG)によって監視される。 現在、発作時に患者の位置を追跡するための自動的な方法が存在しない。 我々は,イメージネットで事前学習したMask R-CNN(オブジェクト検出のための標準ディープラーニングモデル)を,患者検出のタスクに基づいて評価した。
  論文  参考訳（メタデータ） (2021-11-28T23:15:06Z)
• Integrative Analysis for COVID-19 Patient Outcome Prediction [53.11258640541513]
  我々は、集中治療室入院の必要性を予測するために、人口統計、バイタルサイン、実験室の所見から、肺不透明度の放射能と非画像の特徴を組み合わせる。 また, 地域性肺炎を含む他の肺疾患にも適用できるが, 地域性肺炎に限らない。
  論文  参考訳（メタデータ） (2020-07-20T19:08:50Z)
• A Machine Learning Early Warning System: Multicenter Validation in Brazilian Hospitals [4.659599449441919]
  臨床劣化の早期認識は、入院患者の死亡率と死亡率を減らすための主要なステップの1つである。 Intensive Care Unit, ICUと比較して, 病院病棟は注目度が低いため, プラットフォームがERHのストリームに接続されている場合, 危険な状況に対する意識が大幅に改善する可能性が示唆された。 機械学習の適用により、システムは患者のすべての履歴を考慮し、高いパフォーマンスの予測モデルを使用することで、インテリジェントな早期警告システムを実現することができる。
  論文  参考訳（メタデータ） (2020-06-09T21:21:38Z)

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。