論文の概要: DeliMF: Gated Cross-Attention Fusion of Structured Time Series and Clinical Text for Early Intensive Care Delirium Prediction

• arxiv url: http://arxiv.org/abs/2610.24585v1
• Date: Sat, 17 Oct 2026 09:37:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.258111
• Title: DeliMF: Gated Cross-Attention Fusion of Structured Time Series and Clinical Text for Early Intensive Care Delirium Prediction
• Title（参考訳）: DeliMF:早期集中病棟予測のための構造化時系列と臨床テキストの相互注意融合
• Abstract要約: デリリウムは、集中治療室(ICU)患者の大部分に影響を及ぼし、長居し、認知の低下を継続し、死亡率を高める。 本稿では、構造化時系列を臨床テキストで融合するフレームワークであるDeliMFを紹介する。 構造化された信号を時間変換器でエンコードし、タイムスタンプされた放射線学が臨床テキストエンコーダで報告し、ゲートされたクロスアテンションモジュールを介して2つを融合する。
• 参考スコア（独自算出の注目度）: 20.773905918211877
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Delirium affects a large fraction of intensive care unit (ICU) patients and foreshadows longer stays, lasting cognitive decline, and higher mortality. Flagging the patients who will become delirious within the first day of admission would give clinicians a window to intervene. Yet state-of-the-art predictors rely only on the structured electronic health record (EHR) of vital signs, laboratory values, and medications, while overlooking the free-text clinical notes written in the same window, which carry information the numbers cannot encode. To this end, we present DeliMF, a multimodal framework that fuses the structured time series with clinical text. It encodes the structured signals with a temporal Transformer and the time-stamped radiology reports with a clinical text encoder, and fuses the two through a gated cross-attention module. The gate learns a per-patient weight on the text; when a patient has no note the gate closes and DeliMF reduces to its structured-only form, giving robustness to missing text by construction. On an incident-only MIMIC-IV cohort, DeliMF improves significantly over the baselines, particularly on patients who carry clinical text, while losing nothing on those without. Ablation studies confirm the contribution of multimodal fusion and gated cross-attention, and a case study further shows that fusing clinical text with the structured stream recovers delirium cases that the structured data alone misses. We hope DeliMF encourages early ICU prediction to make fuller use of the overlooked clinical text and contributes to the early identification and timely intervention of delirium.
• Abstract（参考訳）: デリリウムは、集中治療室(ICU)患者の大部分に影響を及ぼし、長居し、認知の低下を継続し、死亡率を高める。 入院初日で恐ろしい状態になる患者をフラッグすると、臨床医に介入の窓が開けることになる。 しかし、最先端の予測者は、重要な兆候、検査値、薬品の構造化された電子健康記録(EHR)にのみ依存し、同じウィンドウに書かれた自由テキスト臨床ノートを見渡して、番号がエンコードできない情報を運ぶ。 この目的のために、構造化時系列を臨床テキストで融合するマルチモーダルフレームワークであるDeliMFを提案する。 構造化された信号を時間変換器でエンコードし、タイムスタンプされた放射線学が臨床テキストエンコーダで報告し、ゲートされたクロスアテンションモジュールを介して2つを融合する。 患者が注意を払わない場合、ゲートが閉じ、DeliMFはその構造のみの形式に縮小し、建設によって欠落したテキストに堅牢性を与える。 インシデントのみのMIMIC-IVコホートでは、DeliMFはベースラインよりも格段に改善され、特に臨床テキストを携行する患者は無傷で失う。 アブレーション研究はマルチモーダル核融合とゲートクロスアテンションの寄与を裏付けるものであり, また, 構造化ストリームによる臨床テキストの融合は, 構造化データのみが欠落するデリリウム症例を回復させることを示すケーススタディである。 私たちは、DeliMFが早期ICU予測を奨励し、見過ごされた臨床テキストを最大限に活用し、早期の発見とデリリウムのタイムリーな介入に寄与することを願っている。

関連論文リスト

• HERMES: Contrast-Aware Knowledge Graph Reasoning from Clinical Notes for Patient Outcome Prediction [4.463675534415755]
  HERMESは、臨床テキストのみを扱うグラフベースのフレームワークである。 グラフ注意ネットワークは、グラフベースの学習を通して患者表現を合成する。 比較論理モデリングを用いた明示的リレーショナルモデリングは予測性能を著しく向上させることを示した。
  論文  参考訳（メタデータ） (2026-07-22T09:00:41Z)
• Text Knows What, Tables Know When: Clinical Timeline Reconstruction via Retrieval-Augmented Multimodal Alignment [4.42383617731229]
  本稿では,テキストから抽出した絶対的臨床タイムラインの時間的精度を向上させるために,検索強化型マルチモーダルアライメントフレームワークを提案する。 提案手法は,グラフベースのマルチステッププロセスとしてタイムライン再構成を定式化する。
  論文  参考訳（メタデータ） (2026-05-14T17:55:27Z)
• Is Clinical Text Enough? A Multimodal Study on Mortality Prediction in Heart Failure Patients [1.6784199253342376]
  心不全コホートを用いたトランスフォーマーモデルの評価を行った。 臨床テキストをエンティティレベルの表現で豊かにすることで,CLS埋め込みのみによる予測が向上することを示す。 大規模な言語モデルは、モダリティやデコード戦略に一貫性がない。
  論文  参考訳（メタデータ） (2026-04-02T11:41:36Z)
• Structure Observation Driven Image-Text Contrastive Learning for Computed Tomography Report Generation [51.509572354327986]
  本稿では,CTRG(Computed Tomography Report Generation)に適した新しい2段階(構造とレポートの学習)フレームワークを提案する。 第1段階では、CT画像中の対応する構造を学習可能な構造特異的な視覚的クエリーの集合を観察し、その結果として得られる観察トークンと、それに伴う放射線学レポートから抽出された構造特異的なテキスト特徴とを、構造的に画像テキストのコントラストロスとで対比する。 第2段階では、視覚構造クエリを凍結し、各解剖学的構造を描写したクリティカルイメージパッチ埋め込みを選択するために使用し、メモリ消費を低減しつつ、無関係領域からの注意を最小化する。
  論文  参考訳（メタデータ） (2026-03-05T07:07:07Z)
• ProMedTS: A Self-Supervised, Prompt-Guided Multimodal Approach for Integrating Medical Text and Time Series [27.70300880284899]
  大規模言語モデル (LLM) は、視覚の細かいタスクにおいて顕著な性能を示してきたが、医療分野におけるそれらの応用はいまだに探索されていない。 ProMedTSは、データ型を統一するために、プロンプト誘導学習を利用する、新しい自己教師型マルチモーダルフレームワークである。 実世界のデータセットを用いた診断タスクにおけるProMedTSの評価を行い,本手法が常に最先端の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2025-02-19T07:56:48Z)
• CTPD: Cross-Modal Temporal Pattern Discovery for Enhanced Multimodal Electronic Health Records Analysis [50.56875995511431]
  マルチモーダルEHRデータから有意な時間的パターンを効率的に抽出するために,CTPD(Cross-Modal Temporal Pattern Discovery)フレームワークを導入する。 提案手法では,時間的セマンティックな埋め込みを生成するためにスロットアテンションを用いて改良された時間的パターン表現を提案する。
  論文  参考訳（メタデータ） (2024-11-01T15:54:07Z)
• On Preserving the Knowledge of Long Clinical Texts [0.0]
  臨床テキストの処理にトランスフォーマーエンコーダを使用する際のボトルネックは、これらのモデルの入力長制限から生じる。 本稿ではトランスフォーマーエンコーダの集合アンサンブルを用いたモデルにおける長期臨床テキストの知識を保存するための新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-11-02T19:50:02Z)
• Self-Verification Improves Few-Shot Clinical Information Extraction [73.6905567014859]
  大規模言語モデル (LLMs) は、数発のテキスト内学習を通じて臨床キュレーションを加速する可能性を示している。 正確性や解釈可能性に関する問題、特に健康のようなミッションクリティカルな領域ではまだ苦戦している。 本稿では,自己検証を用いた汎用的な緩和フレームワークについて検討する。このフレームワークはLLMを利用して,自己抽出のための証明を提供し,その出力をチェックする。
  論文  参考訳（メタデータ） (2023-05-30T22:05:11Z)
• Towards more patient friendly clinical notes through language models and ontologies [57.51898902864543]
  本稿では,単語の単純化と言語モデリングに基づく医療用テキストの自動作成手法を提案する。 我々は,公開医療文のデータセットペアと,臨床医による簡易化版を用いている。 本手法は,医学フォーラムデータに基づく言語モデルを用いて,文法と本来の意味の両方を保存しながら,より単純な文を生成する。
  論文  参考訳（メタデータ） (2021-12-23T16:11:19Z)

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。