論文の概要: ICare-DT: a digital twin for continuous forecasting of intensive care patients
- arxiv url: http://arxiv.org/abs/2611.09712v1
- Date: Fri, 06 Nov 2026 16:55:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-10 12:00:36.72884
- Title: ICare-DT: a digital twin for continuous forecasting of intensive care patients
- Title(参考訳): 集中治療患者の連続予測のためのデジタル双生児ICare-DT
- Abstract要約: 集中治療患者のデジタル双生児は、新しいデータから予測を更新し、治療反応を予測する必要がある。
ICare-DT (Transformer-based twin, ICare-DT) を提案する。
140,473回のeICU-CRD滞在でトレーニングを行い、トレーニングセットの手段を横断するバイタルサインを予測しました。
- 参考スコア(独自算出の注目度): 2.55988869140627
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Digital twins of intensive care patients should update forecasts from new data and predict treatment responses, but few studies test whether routine records support either. We propose ICare-DT, a Transformer-based twin that updates a latent patient state hourly from new measurements without retraining. We trained it on 140,473 eICU-CRD stays to forecast vital signs crossing their training-set means. On test data, later forecasts beat the twin's own hour-6 forecasts of the same windows in all 12 settings (+0.073 to +0.153 AUROC). On validation data, controls that withheld or swapped the new hours traced the gain to the patient's own measurements. Without refitting, the model kept its gain on a second database (8 of 9 settings, +0.025 to +0.114 AUROC) in a prespecified evaluation of the previously analyzed MIMIC-IV test split. Refitted within MIMIC-IV, a twin state fine-tuned on clinical endpoints gave gradient boosting a significant gain for acute kidney injury (+0.0035 AUROC; hypotension +0.0010, not significant). To test response prediction, we built a benchmark that replaces the treatments in real records with simulated doses and injects responses of known size, visible only at measurement times. Ridge models supervised with injected effects recovered them from real records only through frequently measured variables (heart rate) read at their measurement times. We asked standard learners to predict these effects for a dosing regime no patient had received. No standard learner outperformed predicting zero effect at an out-of-support query. When told how the simulated responses were generated, a separate learner recovered the effects from the same records without seeing their true values (R2 0.30 to 0.40 at one effect size). Routine records support forecasts that improve with each patient's new data, and our benchmark is a testbed for models that learn how responses are generated.
- Abstract(参考訳): 集中治療患者のデジタル双生児は、新しいデータから予測を更新し、治療反応を予測するべきである。
ICare-DT (Transformer-based twin, ICare-DT) を提案する。
140,473回のeICU-CRD滞在でトレーニングを行い、トレーニングセットの手段を横断するバイタルサインを予測しました。
テストデータでは、ツインの12つの設定(+0.073から+0.153 AUROC)で同じウィンドウの1時間6の予測を上回った。
バリデーションデータでは、新しい時間を保留または交換するコントロールは、患者自身の測定値に追跡された。
このモデルでは、以前のMIMIC-IVテスト分割の事前評価において、2番目のデータベース(9つの設定のうち8つ、+0.025から+0.114 AUROC)でゲインを維持した。
MIMIC-IV に適合した双極子状態は, 急性腎障害(+0.0035 AUROC, 低血圧+0.0010, 有意な増加は認められなかった。
反応予測テストのために,実レコードの処理を模擬線量で置き換えるベンチマークを構築し,測定時間にのみ可視な既知の大きさの応答を注入した。
インジェクテッドエフェクトを監督したリッジモデルでは、実際のレコードから、測定時に読み出される頻繁な変数(ハートレート)を通してのみ、それらを回収した。
我々は,患者が受け取らなかった投薬体制に対して,標準学習者にこれらの効果を予測するよう求めた。
標準学習者はサポート外クエリでゼロ効果を予測するのに優れていなかった。
シミュレーションされた応答がどのように生成されたかを知ると、別の学習者は、実際の値(R2 0.30から0.40)を1つの効果サイズで見ることなく、同じレコードから効果を回復した。
Routineは、各患者の新しいデータを改善するためのサポート予測を記録し、私たちのベンチマークは、反応の生成方法を学ぶモデルのためのテストベッドです。
関連論文リスト
- Cross-Sample Augmented Test-Time Adaptation for Personalized Intraoperative Hypotension Prediction [45.67071315035565]
術中低血圧は外科的危険を伴うが、患者固有の変動性のために正確な予測は困難である。
CSA-TTA(Cross-Sample Augmented Test-Time Adaptation framework)を提案する。
提案したCSA-TTAを,現在最先端の時系列予測モデルと統合することで,VitalDBデータセットと実世界のインホスピタルデータセットの両方で評価する。
論文 参考訳(メタデータ) (2025-12-12T08:02:37Z) - Cross-Representation Benchmarking in Time-Series Electronic Health Records for Clinical Outcome Prediction [44.23284500920266]
このベンチマークは、2つの異なる臨床環境におけるデータキュレーションと評価を標準化する。
実験によると、イベントストリームモデルは、常に最強のパフォーマンスを提供する。
特徴選択戦略は臨床環境に適応する必要がある。
論文 参考訳(メタデータ) (2025-10-10T09:03:47Z) - Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。
iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
論文 参考訳(メタデータ) (2024-07-10T19:17:23Z) - Multimodal Pretraining of Medical Time Series and Notes [45.89025874396911]
ディープラーニングモデルは、意味のあるパターンを抽出する際の約束を示すが、広範囲なラベル付きデータが必要である。
本稿では,臨床測定値とノートのアライメントに着目し,自己指導型事前学習を用いた新しいアプローチを提案する。
病院内での死亡予測や表現型化などの下流タスクでは、データのごく一部がラベル付けされた設定において、ベースラインよりも優れています。
論文 参考訳(メタデータ) (2023-12-11T21:53:40Z) - MedLens: Improve Mortality Prediction Via Medical Signs Selecting and
Regression [4.43322868663347]
データ品質の問題については文献では議論されていない。
我々はMEDLENSを設計し、統計による自動バイタルメディカルサイン選択手法と、高損失率時系列に対する柔軟なアプローチを用いて設計した。
精度は 0.96 AUC-ROC と 0.81 AUC-PR で、これは以前のベンチマークを超えている。
論文 参考訳(メタデータ) (2023-05-19T15:28:02Z) - 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) - Synthesizing time-series wound prognosis factors from electronic medical
records using generative adversarial networks [0.0]
創傷予後因子を合成するためにgans(time series medical generative adversarial networks)を開発した。
条件付きトレーニング戦略は, 癒しや非癒しの観点から, 訓練の強化と分類データの生成に活用された。
論文 参考訳(メタデータ) (2021-05-03T20:26:48Z) - EventScore: An Automated Real-time Early Warning Score for Clinical
Events [3.3039612529376625]
臨床劣化を示す各種臨床事象の早期予測のための解釈可能なモデルを構築した。
このモデルは2つのデータセットと4つの臨床イベントで評価される。
私達のモデルは手動で記録された特徴を要求しないで完全に自動化することができます。
論文 参考訳(メタデータ) (2021-02-11T11:55:08Z) - COVID-19 Prognosis via Self-Supervised Representation Learning and
Multi-Image Prediction [32.91440827855392]
胸部X線に基づいて2種類の患者の劣化を予測するタスクを検討する。
新型コロナウイルス(covid-19)患者のデータが少ないため、既存のソリューションは、関連しない画像で教師付き事前トレーニングを利用する。
本論文では,前訓練段階における運動量コントラスト(MoCo)法に基づく自己監督学習を用いて,下流タスクに用いる一般的な画像表現を学習する。
論文 参考訳(メタデータ) (2021-01-13T07:03:17Z) - 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。