論文の概要: Agentic LLM reasoning in pediatric diabetes outcome prediction from multimodal medical records
- arxiv url: http://arxiv.org/abs/2610.40379v1
- Date: Thu, 29 Oct 2026 16:23:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-02 07:23:45.570875
- Title: Agentic LLM reasoning in pediatric diabetes outcome prediction from multimodal medical records
- Title（参考訳）: 小児糖尿病発症予測におけるマルチモーダル医療記録からのエージェントLDM推論
- Abstract要約: 臨床予測にはLarge Language Model (LLM) エージェントが提案されているが、小児科では未試験である。
2型糖尿病(T2D)と4,018型糖尿病(T1D)の2,489人の若年者の記録を用いた。
術後18カ月から24カ月でT2Dが7例,T1Dも4例であった。
- 参考スコア（独自算出の注目度）: 6.134390454607988
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large language model (LLM) agents are proposed for clinical prediction but are untested in pediatrics, where cohorts are small and outcomes are uncommon. Using records from 2,489 youth with type 2 diabetes (T2D) and 4,018 with type 1 diabetes (T1D), spanning structured data, note-derived social determinants and, in T1D, continuous glucose monitoring data, we predicted seven T2D outcomes, four also in T1D, at 24 months from 18 months of follow-up. CEDAR (Clinical Evidence-Driven Agent for Risk-prediction), an evidence-citing, self-auditing LLM pipeline, outperformed trained machine learning in both cohorts (pooled area under the receiver operating characteristic curve 0.815 versus 0.656 to 0.700 in T2D and 0.756 versus 0.603 to 0.631 in T1D), most on the sparsely screened outcomes. Only 4 of 70,246 values it cited did not match the chart. Reading only the evidence and reasoning cited by CEDAR, two pediatric endocrinologists reached the same prediction as CEDAR in about nine of ten cases, agreeing with each other on 90.5%.
- Abstract（参考訳）: 大言語モデル(LLM)エージェントは臨床予測のために提案されているが、コホートが小さく、結果が珍しい小児科ではテストされていない。
2型糖尿病(T2D)2,4,018名,T1D1型糖尿病(T1D)2,4,089名,構造化データ,ノート由来の社会的決定因子,T1D連続血糖モニタリングデータを用いて,T2D7例,T1D4例を18カ月後の24カ月で予測した。
CEDAR(Clinical Evidence-Driven Agent for Risk-prediction、リスク予測のためのClinical Evidence-Driven Agent)は、エビデンスを刺激し自己監査するLPMパイプラインであり、両方のコホート(受信者の動作特性曲線 0.815 対 0.656 対 0.700 対 T2D 対 0.756 対 0.603 対 0.631 対 T1D)での訓練された機械学習よりも優れており、そのほとんどはわずかにスクリーニングされた結果である。
引用された70,246の値のうち4つだけがチャートと一致しなかった。
CEDARが引用した証拠と推論のみを読むと、2人の小児内分泌学者は10件中9件でCEDARと同じ予測に達し、90.5%で一致した。
関連論文リスト
- Maximizing T2-Only Prostate Cancer Localization from Expected Diffusion Weighted Imaging [68.57480103120561]
マルチパラメトリックMRIは前立腺癌の検出と局所化のための第一線非侵襲的アプローチとしてますます推奨されている。
T2w画像のみを用いた早期機械学習の試みは、放射線医に注釈された病変の診断に有望な性能を示した。
本研究は、T2wのみを推論に用いて、独立した病理組織学的ラベルに基づいて個々のがんを局在させる、より難しい応用について検討する。
論文 参考訳（メタデータ） (2026-04-01T14:50:18Z) - Early Prediction of Type 2 Diabetes Using Multimodal data and Tabular Transformers [1.2744523252873352]
我々は1,382名の被験者からなる振り返り型カタールバイオバンクでTabTransモデルを検証した。
提案したモデルの性能は,従来の機械学習(ML)と生成AIモデルに対して評価される。
このTabTransモデルでは, 予測性能が優れ, ROC AUC $geq$ 79.7% のT2DM予測が可能であった。
論文 参考訳（メタデータ） (2026-01-19T11:55:41Z) - Explainable Admission-Level Predictive Modeling for Prolonged Hospital Stay in Elderly Populations: Challenges in Low- and Middle-Income Countries [65.4286079244589]
長期滞在期間 (pLoS) は, 院内感染のリスクに関連する重要な要因である。
入院レベルの患者と病院の診療データを用いて, pLosの予測モデルを開発し, 解説する。
論文 参考訳（メタデータ） (2026-01-07T23:35:24Z) - A Physiologically-Constrained Neural Network Digital Twin Framework for Replicating Glucose Dynamics in Type 1 Diabetes [2.1271939534174673]
1型糖尿病(T1D)患者の血糖動態のシミュレーションは、パーソナライズされた治療を開発し、データ駆動型臨床決定を支援するために重要である。
本稿では、T1Dのグルコース動態をシミュレートするために、生理的ニューラルネットワーク(NN)デジタルツインを紹介する。
デジタル双生児の394例中, 血糖値は模擬データと観察データとで同等であった。
論文 参考訳（メタデータ） (2025-08-07T03:46:06Z) - Insulin Resistance Prediction From Wearables and Routine Blood Biomarkers [44.735350554750916]
われわれはインスリン抵抗性の研究のために、米国全土でこれまでで最大のデータセットをリモートで採用しました。
ディープニューラルネットワークモデルは、簡単に利用可能なデジタルバイオマーカーと血液バイオマーカーに基づいてインスリン抵抗を予測するために開発された。
モデルでは、肥満および妊娠中の被験者の93%の感度と95%の調整された特異性を示した。
論文 参考訳（メタデータ） (2025-04-30T16:10:20Z) - Beyond Glucose-Only Assessment: Advancing Nocturnal Hypoglycemia Prediction in Children with Type 1 Diabetes [8.198743716856807]
デッド・イン・ベッド症候群は1型糖尿病(T1D)の若年者で、長期合併症を伴わない突然の死亡を示す。
1つの主要な仮説は、睡眠中の血糖値の危険な低下である夜間低血糖(NH)によるものである。
本研究の目的は、生理的データと機械学習(ML)技術を活用して、T1Dの小児におけるNH予測を改善することである。
論文 参考訳（メタデータ） (2025-04-12T18:07:40Z) - From Glucose Patterns to Health Outcomes: A Generalizable Foundation Model for Continuous Glucose Monitor Data Analysis [47.23780364438969]
本稿では,CGMデータの生成基盤モデルであるGluFormerについて紹介する。
GluFormerは、異なる民族や年齢、5つの国、8つのCGMデバイス、多様な病態状態にまたがる19の外部コホートに一般化する。
CGMデータと12年間のフォローアップを持つ580人の成人の縦断的研究において、GluFormerは血液HbA1C%よりも糖尿病を効果的に発症するリスクが高い個人を特定する。
論文 参考訳（メタデータ） (2024-08-20T13:19:06Z) - 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) - SACDNet: Towards Early Type 2 Diabetes Prediction with Uncertainty for
Electronic Health Records [0.951828574518325]
本研究では,多頭部自己注意層と高密度層を用いた早期T2DM予測のためのニューラルネットワークアーキテクチャを提案する。
提案手法は、SACDNet(Self-Attention for Comorbid Disease Net)と呼ばれ、89.3%の精度とF1スコア89.1%の精度を実現している。
T2DM予測データセットも,糖尿病4,124例と非糖尿病181,767例からなる実世界の電子健康記録(EHR)データに基づいて構築されている。
論文 参考訳（メタデータ） (2023-01-12T07:14:47Z) - Predicting Risk of Developing Diabetic Retinopathy using Deep Learning [6.200560025035929]
糖尿病網膜症の発生に対するリスク階層化は、スクリーニング間隔を最適化し、コストを削減し、視力改善に役立つ可能性がある。
糖尿病患者のDRスクリーニングにおける軽度Worse(Mild+)DRの発生を予測するために,DLS(Deep Learning System)の2つのバージョンを作成し,検証した。
論文 参考訳（メタデータ） (2020-08-10T19:07:22Z) - CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors
and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。
SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。
我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文 参考訳（メタデータ） (2020-07-20T21:47:28Z)
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。