論文の概要: Saga: an in silico ontology for a multimodal patient world model

• arxiv url: http://arxiv.org/abs/2610.33054v1
• Date: Mon, 19 Oct 2026 01:46:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.229686
• Title: Saga: an in silico ontology for a multimodal patient world model
• Title（参考訳）: 佐賀:マルチモーダル患者世界モデルのためのシリコオントロジー
• Abstract要約: Sagaは患者履歴から共有状態を学び、臨床事象を予測するマルチモーダル患者世界モデルである。 112施設で12型癌461,370例について検討した。
• 参考スコア（独自算出の注目度）: 0.24032529562561175
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Simulating an individual's disease course requires connecting patient history to future events, clinical timing and disease morphology. Longitudinal prediction and multimodal representations exploit this information, but organizing future readouts around a common patient state and advancing trajectories without real intermediate observations remain central challenges. Here we introduce Saga, a multimodal patient world model that learns a shared state from patient histories to predict clinical events and generate multimodal images. Generated events and times are appended to the history and re-encoded to advance prediction. We studied 461,370 patients with 12 cancer types across 112 centres. Modality-specific paired evaluations linked future images to observed follow-up. With historical images held fixed, removing patient conditioning reduced event F1 from 0.716 to 0.591 and increased lesion-burden error from 11.8% to 21.3%. In free rollouts, eight-step event F1 was 0.672, compared with 0.553 for a longitudinal Transformer evaluated from the same origins, and timing error was lower by 8.7 days. In the internal test set, one-year progression AUROC was 0.882, with values of 0.871 and 0.856 in temporal and geographical external evaluations. These results show that shared patient states connect future phenotypes across observational scales with event-driven trajectory progression, sustaining comparative predictive advantages during rollout and discrimination in external clinical evaluation. Saga makes patient-level disease simulation a multimodal prediction task that can be tested against observed follow-up.
• Abstract（参考訳）: 個人の疾患コースをシミュレートするには、患者の歴史を将来の出来事、臨床のタイミング、疾患の形態と結びつける必要がある。 縦方向の予測とマルチモーダルな表現は、この情報を活用するが、一般的な患者の状態の周りで将来の読み出しを整理し、実際の中間観察のない軌跡を前進させることは、依然として中心的な課題である。 本稿では,患者履歴から共有状態を学習し,臨床事象を予測し,マルチモーダル画像を生成するマルチモーダル患者世界モデルである佐賀について紹介する。 生成したイベントと時間が履歴に追加され、予測を前進させるために再エンコードされる。 112施設で12型癌461,370例について検討した。 モダリティ特異的なペア評価は、将来の画像と観察されたフォローアップを関連づける。 歴史的画像が固定され、患者のコンディショニングによりイベントF1が0.716から0.591に減少し、病変バーデンエラーが11.8%から21.3%に増加した。 フリーロールアウトでは、8段階のイベントF1が0.672で、同じ起源から評価した縦型トランスフォーマー0.553で、タイミング誤差が8.7日低下した。 内部試験では,1年間のAUROC進行率は0.882で,時間的および地理的外部評価では0.871,0.856であった。 これらの結果から, 患者状態の共有は, 事象駆動的軌跡進行と将来の表現型を結合し, ロールアウト時の予測上の優位性を保ち, 外部臨床評価における差別を維持できることが明らかとなった。 Sagaは、患者レベルの疾患シミュレーションを、観察されたフォローアップに対してテスト可能なマルチモーダルな予測タスクにする。

関連論文リスト

• Repeated-Measure Leakage, Distribution Shift, and Reliability under Partial Observation in Patient World Models [0.0]
  患者世界モデルは, 経時的予測, 介入意識推論, 臨床・臨床的シミュレーションのために提案される。 我々はこれらの前提条件を意図的に狭い環境で評価する。 永続化、リッジ、コントロール、GRU、Transformer、コンパクトなJEPAスタイルの予測器を使って、評価はしごを構築します。 その結果, 患者分離, 繰り返し測定, シフト, 欠落, 検証の必要条件評価スタックが得られた。
  論文  参考訳（メタデータ） (2026-10-03T21:35:59Z)
• NOAH: Learning the Full Patient Journey. A Longitudinal Multimodal Time-Aware Model for Representation and Forecasting [15.183085955033148]
  患者の全旅行を表現・予測する,時間的,タスクに依存しない,生成的トランスフォーマーモデルであるNOAHを紹介する。 NOAHは、医療画像、時系列および数値信号、分類的事象、および構造化され、構造化されていない臨床記録を処理する。 臨床結果の探索において高いパフォーマンスを示す、高情報かつ予測可能な患者の状態表現を生成する。
  論文  参考訳（メタデータ） (2026-09-08T17:56:13Z)
• Simulating clinical interventions with a generative multimodal model of human physiology [49.828582089394445]
  HealthFormerは、人間の生理的軌道を生成的にモデル化するデコーダのみのトランスフォーマーである。 7つの領域にまたがる667個の測定値に対して,各被験者の健康軌道をトークン化する。 HealthFormerは、30のインシデント障害および死亡エンドポイントのうち27の予測を改善し、各比較で確立された臨床リスクスコアを超えた。
  論文  参考訳（メタデータ） (2026-04-30T14:10:30Z)
• Cerebra: A Multidisciplinary AI Board for Multimodal Dementia Characterization and Risk Assessment [56.62016795093786]
  CerebraはインタラクティブなマルチエージェントAIチームで、ERH、臨床ノート、医療画像分析のための特殊エージェントをコーディネートする。 構造化された表現を操作することで、プライバシ保護デプロイメントをサポートし、モダリティが不完全であれば、堅牢である。 Cerebraは、有識者のパフォーマンスを著しく改善し、前向き認知症リスク推定において精度を17.5ポイント向上させた。
  論文  参考訳（メタデータ） (2026-03-23T05:46:45Z)
• Multi-Modal AI for Remote Patient Monitoring in Cancer Care [4.010677900462625]
  遠隔患者モニタリングのためのマルチモーダルAIフレームワークを開発した。 本システムは,人口統計,ウェアラブルセンサ,日次調査,臨床イベントなど,HALO-Xプラットフォームからのマルチモーダルデータを統合する。 我々は、実世界のRPMデータの非同期性と不完全性を扱うためにマルチモーダルAIモデルを開発し、将来の有害事象の継続的なリスクを予測した。
  論文  参考訳（メタデータ） (2025-11-30T16:01:50Z)
• Generalisable prediction model of surgical case duration: multicentre development and temporal validation [0.0]
  既存のモデルは多くの場合、部位または外科医固有の入力に依存し、外部の検証を受けることは滅多にない。 本研究は,本邦の2つの総合病院で日常的に収集されたデータを用いた多施設共同調査を行った。 広く利用可能な事前操作変数のみを用いた階層型機械学習モデルは、時間的外的検証において正確で校正された予測を達成した。
  論文  参考訳（メタデータ） (2025-11-12T05:30:51Z)
• 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)
• Using Pre-training and Interaction Modeling for ancestry-specific disease prediction in UK Biobank [69.90493129893112]
  近年のゲノムワイド・アソシエーション(GWAS)研究は、複雑な形質の遺伝的基盤を明らかにしているが、非ヨーロッパ系個体の低発現を示している。 そこで本研究では,マルチオミクスデータを用いて,多様な祖先間での疾患予測を改善することができるかを評価する。
  論文  参考訳（メタデータ） (2024-04-26T16:39:50Z)
• Continual Deterioration Prediction for Hospitalized COVID-19 Patients [3.3581926090154113]
  病院滞在終了時の患者結果の日次予測を行うための時間的階層化手法を開発した。 予備実験では、連続劣化予測における0.98 AUROC、0.91 F1スコアおよび0.97AUPRを示す。
  論文  参考訳（メタデータ） (2021-01-19T12:03:56Z)
• 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。