論文の概要: TRACE: Tracking Multimodal Clinical Trajectories for Inpatient Risk Prediction

• arxiv url: http://arxiv.org/abs/2610.25765v1
• Date: Mon, 19 Oct 2026 04:25:03 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:26:40.860554
• Title: TRACE: Tracking Multimodal Clinical Trajectories for Inpatient Risk Prediction
• Title（参考訳）: TRACE:患者リスク予測のための多段階臨床軌跡追跡
• Abstract要約: 臨床イベントを1日単位のトラジェクトリにまとめる日常的な枠組みであるTRACEを提案する。 TRACEは,MIMIC-IV,eICU,MIMIC-IIIのコホート内における死亡,滞在期間,寛解予測について検討した。
• 参考スコア（独自算出の注目度）: 5.15235367352057
• License:
• Abstract: Accurate inpatient risk prediction requires modeling heterogeneous clinical evidence that accumulates irregularly over time. This challenge spans in-hospital mortality, prolonged length of stay, and readmission, each with task-specific observation windows. Existing multimodal approaches combine structured health record data, chest x-rays, and clinical text, but primarily focus on modality fusion or missing-modality compensation, with limited attention to temporal trajectories over an admission. We propose TRACE (TRAjectory modeling of multimodal Clinical Events), a daily-scale framework organizing clinical events into day-level trajectories, separating day-invariant global context from day-specific local events drawn from EHR data, chest x-rays, radiology reports, and discharge summaries. The trajectory is encoded using temporal attention, allowing unavailable modalities to emit no tokens. A phenotype-guided contrastive objective further organizes admissions under heterogeneous disease distributions. Across cohorts from MIMIC-IV, eICU, and MIMIC-III comprising nearly 180,000 total stays, we evaluate TRACE on mortality, length of stay, and readmission prediction. TRACE achieves the highest AUROC across all nine dataset-task settings and the highest ACC in eight, outperforming baselines. Ablation studies validate our attention masks and contrastive learning, while trajectory-level attribution localizes risk-associated hospital days and modalities.
• Abstract（参考訳）: 正確な入院リスク予測には、時間とともに不規則に蓄積する異種臨床証拠をモデル化する必要がある。 この課題は、宿主の死亡率、滞在期間の延長、可読性にまたがっており、それぞれにタスク固有の観察窓がある。 既存のマルチモーダルアプローチでは、構造化された健康記録データ、胸部X線、臨床テキストを組み合わせているが、主にモダリティ融合や欠落モダリティ補償に焦点を合わせており、入学時の時間的軌跡に限られている。 EHRデータ,胸部X線,放射線学報告,放電サマリーから,日毎のグローバルな文脈を抽出し,臨床イベントを日単位のトラジェクトリーにまとめる日単位の枠組みであるTRACE(TRACE)を提案する。 軌道は時間的注意を使って符号化され、不利用可能なモダリティはトークンを出力しない。 表現型誘導型コントラスト目的は、さらに異種疾患の分布下での入院を整理する。 MIMIC-IV, eICU, MIMIC-IIIの総滞在数約180,000のコホートを用いて, TRACEの死亡率, 滞在期間, 受入予測について検討した。 TRACEは9つのデータセットタスク設定の中で最も高いAUROCを達成し、8つのACCのうち8つのベースラインで最高のパフォーマンスを実現している。 トラジェクトリレベルの属性は、リスク関連病院の日とモダリティを局在させるが、アブレーション研究は、私たちの注意マスクと対照的な学習を検証する。

関連論文リスト

• Mr.Dec: Daily-Scale Longitudinal Multimodal Modeling for 30-Day Readmission Prediction [5.15235367352057]
  我々は,Mr.Dec(Multimodal Readmission-risk Prediction Decoder)を提案する。 Transformer Decoderを活用することで、Mr.Decは毎日のEHR(Electronic Health Record)のアップデートと、Chest X-ray(CXR)の断続的な発見をタイムアラインストリームに統合する。 提案モデルでは, 入院中の「批判的日」を識別し, リアルタイムリスク階層化の実践的, 臨床的根拠とした解釈を提供する。
  論文  参考訳（メタデータ） (2026-08-05T05:59:42Z)
• MOSCARD -- Causal Reasoning and De-confounding for Multimodal Opportunistic Screening of Cardiovascular Adverse Events [3.206697649226124]
  MACE(Major Adverse Cardiovascular Events)は、2021年のGlobal Disease Studyで報告された、世界の死亡率の主要な原因である。 機会論的スクリーニングは、定期的な健康チェックから収集されたデータを活用し、マルチモーダルデータはリスクのある個人を特定する上で重要な役割を果たす。 そこで我々は,MOSCARD(MOSCARD, Multimodal causal reasoning with co-attention)という新たな予測モデリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-23T22:28:37Z)
• HC-LLM: Historical-Constrained Large Language Models for Radiology Report Generation [89.3260120072177]
  本稿では,放射線学レポート生成のための歴史制約付き大規模言語モデル (HC-LLM) フレームワークを提案する。 胸部X線写真から経時的特徴と経時的特徴を抽出し,疾患の進行を捉える診断報告を行った。 特に,本手法は,テスト中の履歴データなしでも良好に動作し,他のマルチモーダル大規模モデルにも容易に適用可能である。
  論文  参考訳（メタデータ） (2024-12-15T06:04:16Z)
• 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)
• ISLES'24 -- A Real-World Longitudinal Multimodal Stroke Dataset [9.501255615225428]
  ストロークは世界的死亡率と死亡率の主要な原因であり、社会経済的重荷を伴っている。 脳卒中画像から脳機能の正確なモデルを作成する機械学習アルゴリズムの開発には、大きく、多様で、注釈付けされたパブリックデータセットが必要である。 このマルチセンターデータセットは245のケースで構成され、臨床的な意思決定を容易にする強力な機械学習アルゴリズムを開発するための基盤となっている。
  論文  参考訳（メタデータ） (2024-08-20T18:59:52Z)
• Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
  そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。 また,死亡率と臓器不全の関連性について有意な知見が得られた。
  論文  参考訳（メタデータ） (2024-07-28T02:42:36Z)
• Enhancing clinical decision support with physiological waveforms -- a multimodal benchmark in emergency care [0.9503773054285559]
  本稿では,救急医療におけるマルチモーダル意思決定支援を推進すべく,データセットとベンチマークプロトコルを提案する。 本モデルでは, 人口統計, バイオメトリックス, バイタルサイン, 検査値, 心電図(ECG)波形を入力として, 放電診断と患者の劣化の双方を予測する。
  論文  参考訳（メタデータ） (2024-07-25T08:21:46Z)
• SurvLatent ODE : A Neural ODE based time-to-event model with competing risks for longitudinal data improves cancer-associated Deep Vein Thrombosis (DVT) prediction [68.8204255655161]
  本稿では,不規則なサンプルデータの下で潜在表現をパラメータ化する生成時間対イベントモデルSurvLatent ODEを提案する。 そこで,本モデルでは,事象特異的ハザード関数の形状を指定せずに,複数の競合イベントの生存時間を柔軟に推定する。 SurvLatent ODEは、DVTリスクグループを成層化するために、現在の臨床標準であるKhorana Riskスコアより優れている。
  論文  参考訳（メタデータ） (2022-04-20T17:28:08Z)
• MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
  本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。 我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。 我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
  論文  参考訳（メタデータ） (2020-10-08T15:30:17Z)
• Statistical control for spatio-temporal MEG/EEG source imaging with desparsified multi-task Lasso [102.84915019938413]
  脳磁図(MEG)や脳電図(EEG)のような非侵襲的手法は、非侵襲的手法を約束する。 ソースローカライゼーション(ソースイメージング)の問題は、しかしながら、高次元の統計的推測問題を引き起こす。 この問題に対処するために,分離されたマルチタスクラッソ(ecd-MTLasso)のアンサンブルを提案する。
  論文  参考訳（メタデータ） (2020-09-29T21:17:16Z)

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。