論文の概要: How Deep is the Signal? Time-Context up to 30 Years for Colorectal Cancer Prediction in a Primary-Care EHR Model

• arxiv url: http://arxiv.org/abs/2611.07265v1
• Date: Thu, 05 Nov 2026 00:34:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 21:50:50.477042
• Title: How Deep is the Signal? Time-Context up to 30 Years for Colorectal Cancer Prediction in a Primary-Care EHR Model
• Title（参考訳）: 信号の深さはどの程度か? : 原発EHRモデルによる大腸癌の30年間の経過
• Abstract要約: 最初期の予測シグナルを捉えるために、モデルがどれくらいの時間で探さなければならないかは不明だ。 予測点より前のカレンダーのルックバックウィンドウであるタイムコンテクストを導入し、EHRファンデーションモデルのための10年規模のタイムコンテクストの最初の体系的評価を行う。
• 参考スコア（独自算出の注目度）: 11.336253433430846
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: EHR foundation models read medical events within a fixed context window, and long context has so far been measured only in tokens. How far back in time a model must look to capture the earliest predictive signal is unknown. We introduce time-context, the calendar lookback window before the prediction point, and provide, to our knowledge, the first systematic evaluation of decade-scale time-context for an EHR foundation model. We pretrained a decoder-only transformer (34.6M parameters) on 1.4B coded events from 3.6M primary-care patients in North West London and fine-tuned it to predict incident colorectal cancer under a 12-month pre-diagnostic buffer. A frozen cohort of 1,008 cases and 9,582 matched controls, all registered for at least 30 years, was evaluated at 15 nested lookback windows from 2 to 30 years, so that every truncation is compared within the same patients. Discrimination rose from an AUROC of 0.551 at 2 years to 0.590 at 18 years, then plateaued, with about 80% of the gain reached within 10 years; an XGBoost baseline converged to the same level (peak AUROC 0.589). A simulation further suggests that rotary position embeddings (RoPE) over elapsed time alias beyond about 20 years at the default base frequency, motivating a retuned $θ$. Time-context is a measurable design axis for clinical prediction models, distinct from token-context, and should be reported.
• Abstract（参考訳）: EHRファウンデーションモデルは、固定されたコンテキストウィンドウ内で医療イベントを読み取る。 最初期の予測シグナルを捉えるために、モデルがどれくらいの時間で探さなければならないかは不明だ。 予測点より前のカレンダーのルックバックウィンドウであるタイムコンテクストを導入し、EHRファンデーションモデルのための10年規模のタイムコンテクストの最初の体系的評価を行う。 当科では,北ロンドンにおける3.6万のプライマリケア患者の1.4Bのイベントにデコーダのみのトランスフォーマー(34.6Mパラメータ)をプリトレーニングし,12カ月前の診断バッファで大腸癌の発生を予測できるように微調整した。 凍結した1008例のコホートと9,582例の一致したコントロールは,少なくとも30年間登録され,2～30年間に15個のネストしたルックバックウィンドウで評価され,各トラルンケーションは同一患者内で比較された。 2年で0.551, 18年で0.590, 10年で約80%, XGBoostベースラインは同じレベルに収束した(AUROC0.589)。 さらにシミュレーションにより, 既定ベース周波数で20年以上経過した時間エイリアス上での回転位置埋め込み (RoPE) が, 調整後の$θ$を動機づけることが示唆された。 タイムコンテキストは、トークンコンテキストとは異なる臨床予測モデルのための測定可能な設計軸であり、報告すべきである。

関連論文リスト

• Interpretable Brain Age Prediction Using White Matter Fiber Orientation Distributions with Rotation-Equivariant Deep Learning [64.62249011941329]
  本稿では,白色物質繊維配向分布(WM-FOD)とSE(3)(特別ユークリッド群)の同変CNNを組み合わせた解釈可能な脳年齢予測フレームワークを提案する。 ヒト・コネクトーム・プロジェクト・エイジング(Human Connectome Project Aging)データセットから36～90歳の被験者692名を対象に,DTIモデルと従来のCNNよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2026-10-26T04:14:38Z)
• Observation-Anchored Selective Assimilation for Longitudinal Tumor-State Proxy Forecasting in Post-Treatment Glioma [3.4540258577108776]
  グリオーマ患者の治療後のMRIは、患者固有の腫瘍状態のプロキシー推定を更新するための連続的な観察を提供する。 患者固有の状態に中間観察が固定される監視対応のディジタルツインアップデートとして予測を定式化する。
  論文  参考訳（メタデータ） (2026-09-11T04:55:54Z)
• STST-JEPA: Shallow-Target Spatio-Temporal Joint Embedding Prediction Architecture For EEG Self-Supervised Learning [0.0]
  脳年齢は、時間的年齢からの逸脱が神経学的および精神医学的な負担を追跡できる新興バイオマーカーである。 5歳から81歳までの47,703回のセッションで事前学習した,安静状態とタスク脳波の自己教師型変換器STST-JEPAを紹介する。
  論文  参考訳（メタデータ） (2026-07-07T12:19:54Z)
• Benchmarking Open-Source PPG Foundation Models for Biological Age Prediction [0.0]
  212,231人の英国バイオバンク患者を対象にトレーニングされたタスク固有モデルでは、PSG(AI-vascular Age)から年齢を予測できない。 PPGに基づく生物学的年齢予測において、なぜこれが起こっているのか、また何を意味するのかを考察する。
  論文  参考訳（メタデータ） (2026-03-14T17:11:38Z)
• CRTRE: Causal Rule Generation with Target Trial Emulation Framework [47.2836994469923]
  ターゲットトライアルエミュレーションフレームワーク(CRTRE)を用いた因果ルール生成という新しい手法を提案する。 CRTREは、アソシエーションルールの因果効果を推定するためにランダム化トライアル設計原則を適用している。 次に、病気発症予測などの下流アプリケーションにそのような関連ルールを組み込む。
  論文  参考訳（メタデータ） (2024-11-10T02:40:06Z)
• RULSurv: A probabilistic survival-based method for early censoring-aware prediction of remaining useful life in ball bearings [39.58317527488534]
  Kullback-Leibler分散とRUL推定を用いた早期故障検出のための新しいフレキシブルな手法を提案する。 我々は,XJTU-SYデータセットにおいて,3つの異なる操作条件にまたがる5倍のクロスバリデーション戦略を用いてアプローチを実証する。 提案手法は,最大荷重下での5軸受の平均累積相対精度(CRA)を0.7586で達成し,複数の最先端ベースラインを改良する。
  論文  参考訳（メタデータ） (2024-05-02T16:17:29Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• Foresight -- Deep Generative Modelling of Patient Timelines using Electronic Health Records [46.024501445093755]
  医学史の時間的モデリングは、将来の出来事を予測し、シミュレートしたり、リスクを見積り、代替診断を提案したり、合併症を予測するために使用することができる。 我々は、文書テキストを構造化されたコード化された概念に変換するためにNER+Lツール(MedCAT)を使用する新しいGPT3ベースのパイプラインであるForesightを提示する。
  論文  参考訳（メタデータ） (2022-12-13T19:06:00Z)
• Interpretable (not just posthoc-explainable) medical claims modeling for discharge placement to prevent avoidable all-cause readmissions or death [2.198760145670348]
  我々は回帰係数の変動を表現するために本質的に解釈可能な多レベルベイズフレームワークを開発した。 我々は,この枠組みを用いて,医療クレームを用いた生存モデルを定式化し,入院と死亡を予測した。 2009-2011年の入院エピソードに基づいて、2008年と2011年の医療受給者の5%のサンプルを用いてモデルを訓練し、2012年のエピソードでモデルを検証した。
  論文  参考訳（メタデータ） (2022-08-28T06:19:32Z)

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。