論文の概要: TRACER, a time-to-event EHR foundation model for disease detection across health systems

• arxiv url: http://arxiv.org/abs/2610.40536v1
• Date: Thu, 29 Oct 2026 17:34:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-31 05:25:12.550994
• Title: TRACER, a time-to-event EHR foundation model for disease detection across health systems
• Title（参考訳）: TRACERは、健康システム全体にわたる疾患検出のための時間から時間へのEHR基盤モデルである
• Abstract要約: 長期の電子健康記録に基づいてトレーニングされた基礎モデルは、将来臨床診断の年数を予測することができる。 我々は,4つの健康システムから450万人以上の患者から得られたデータに基づいて,デコーダに基づく基礎モデルTRACERを開発した。 95%の特異性で、フラグを付けた患者は、選択されていない患者よりも1年以内に診断される可能性が最大8倍高かった。
• 参考スコア（独自算出の注目度）: 7.454700310879368
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Foundation models trained on longitudinal electronic health records (EHRs) can predict clinical diagnoses years in the future, making them a potential tool for disease screening. We developed TRACER (Temporal Risk Assessment with Clinical EHR Representations), a decoder-based foundation model pretrained on data from over 4.5 million patients from four health systems, and evaluated it on 16 incident diseases at 1-, 2-, and 5-year horizons in more than 2 million patients from two health systems excluded from model development. In contrast to typical evaluations that focus on global metrics (e.g., AUROC), we measured performance at the low false-positive rates that are realistic for screening. We found that TRACER retained its discrimination in external health systems, and at 95% specificity, the patients it flagged were up to eight times more likely to be diagnosed within a year than unselected patients. Evaluating at this operating point also revealed what global metrics alone did not: detection and false-alert burden varied across diseases and health systems, even when discrimination appeared stable. Our results illustrate the potential of foundation models for screening and underscore the need for evaluation in health systems excluded from development to assess disease detection and false-alert burden at levels appropriate for intended clinical use.}
• Abstract（参考訳）: 経時的電子健康記録(EHR)に基づいてトレーニングされた基礎モデルは、将来臨床診断の年数を予測することができ、疾患スクリーニングの潜在的なツールとなる。 TRACER (Temporal Risk Assessment with Clinical EHR Representations, TRACER) は, 4つの健康システムから450万以上の患者から得られたデータに基づいて事前訓練されたデコーダベースの基礎モデルであり, モデル開発から除外された2つの健康システムから200万人以上の患者において, 16のインシデント・ホライズで評価した。 グローバルな指標(例えばAUROC)に焦点を当てた典型的な評価とは対照的に,スクリーニングにおいて現実的な低い偽陽性率で性能を測定した。 その結果、TRACERは外部の医療システムにおいて差別を継続しており、95%の特異性で、フラグ付けした患者は、選択されていない患者よりも1年以内に診断される可能性が最大8倍高いことが判明した。 診断と偽アラートによる負担は、差別が安定しているように見えても、疾患や健康システムによって異なる。 本研究は, 対象臨床使用に適したレベルにおいて, 疾患検出と偽アラート負荷を評価するための開発から除外された健康システムの評価の必要性を, スクリーニングの基礎モデルの可能性を明らかにした。 ※

関連論文リスト

• Auditing evaluation artifacts and data leakage in large language model systems for rare disease diagnosis [19.160903114450104]
  Augmented Large Language Model (LLM) システムは、まれな疾患の診断において高いベンチマーク精度を報告しているが、現実の臨床的有用性は証明されていない。 本稿では,AIパラダイムにまたがる評価成果物を定量化するための総合的な実証監査を行う。 我々は,拡張LDMシステムの評価プロトコルが真の医学的推論ではなく,データ漏洩を不注意に反映していると結論付けた。
  論文  参考訳（メタデータ） (2026-10-24T10:35:48Z)
• DT-Transformer: A Foundation Model for Disease Trajectory Prediction on a Real-world Health System [3.932718734616]
  We developed DT-Transformer, a foundation model on 57.1M structured EHR entry over 1.7M patients from Mass General Brigham (MGB)。 次世代の予測では、AUCは896の疾患カテゴリーで0.871であり、AUC 0.5を超えている。
  論文  参考訳（メタデータ） (2026-05-14T00:45:04Z)
• Evaluating Large Language Models on Rare Disease Diagnosis: A Case Study using House M.D [6.480805458549629]
  ハウスM.D.から抽出した176の症状-診断ペアの新しいデータセットについて紹介する。 本研究では,4つの言語モデル(LLM)を,物語に基づく診断推論タスクで評価する。 結果は16.48%から38.64%の精度で大幅な性能変化を示し、新しいモデル世代は2.3倍の改善を示した。
  論文  参考訳（メタデータ） (2025-11-14T02:54:58Z)
• Design and Validation of a Responsible Artificial Intelligence-based System for the Referral of Diabetic Retinopathy Patients [65.57160385098935]
  糖尿病網膜症の早期発見は、視力喪失のリスクを最大95%減少させる可能性がある。 我々は、AIライフサイクル全体にわたる倫理的原則を取り入れた、DRスクリーニングのための責任あるAIシステムであるRAIS-DRを開発した。 当科におけるRAIS-DRをFDA認可のEyeArtシステムと比較した。
  論文  参考訳（メタデータ） (2025-08-17T21:54:11Z)
• An Explainable Disease Surveillance System for Early Prediction of Multiple Chronic Diseases [0.0]
  複数の慢性疾患に対する臨床的、実用的、説明可能な疾患監視システムを開発した。 本研究は, 来年の慢性疾患のリスクを事前に評価するために, 医療史, バイタル, 診断, 医薬品など, 日常的に利用可能なデータに焦点をあてる。
  論文  参考訳（メタデータ） (2025-01-27T11:26:54Z)
• 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)
• Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
  臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。 退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。 複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
  論文  参考訳（メタデータ） (2021-02-08T10:26:44Z)
• Classification supporting COVID-19 diagnostics based on patient survey data [82.41449972618423]
  新型コロナウイルス患者の効果的なスクリーニングを可能にするロジスティック回帰とXGBoost分類器が作成された。 得られた分類モデルは、DECODEサービス(decode.polsl.pl)の基礎を提供し、COVID-19病患者のスクリーニング支援に役立てることができる。 このデータセットは、3,000以上のサンプルで構成されており、ポーランドの病院で収集されたアンケートに基づいている。
  論文  参考訳（メタデータ） (2020-11-24T17:44:01Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)
• Hemogram Data as a Tool for Decision-making in COVID-19 Management: Applications to Resource Scarcity Scenarios [62.997667081978825]
  新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。 本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。 提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
  論文  参考訳（メタデータ） (2020-05-10T01:45:03Z)

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。