Skip to main content
Nubint
QUICK REVIEW

[論文レビュー] Patient foundation model for risk stratification in low-risk overweight patients

Zachary Flamholz, Dillon Tracy|arXiv (Cornell University)|Feb 9, 2026
Machine Learning in Healthcare被引用数 0
ひとこと要約

PatientTPPは、診断、検査データ、薬物治療の系列から包括的かつ時間を意識した患者表現を学習し、低リスクの過体重個人における肥満関連の健康アウトカムと将来の医療費を予測するニューラル temporal point process モデルです。

ABSTRACT

Accurate risk stratification in patients with overweight or obesity is critical for guiding preventive care and allocating high-cost therapies such as GLP-1 receptor agonists. We present PatientTPP, a neural temporal point process (TPP) model trained on over 500,000 real-world clinical trajectories to learn patient representations from sequences of diagnoses, labs, and medications. We extend existing TPP modeling approaches to include static and numeric features and incorporate clinical knowledge for event encoding. PatientTPP representations support downstream prediction tasks, including classification of obesity-associated outcomes in low-risk individuals, even for events not explicitly modeled during training. In health economic evaluation, PatientTPP outperformed body mass index in stratifying patients by future cardiovascular-related healthcare costs, identifying higher-risk patients more efficiently. By modeling both the type and timing of clinical events, PatientTPP offers an interpretable, general-purpose foundation for patient risk modeling with direct applications to obesity-related care and cost targeting.

研究の動機と目的

  • 神経的 temporal point process を用いて不規則な臨床経過をモデル化する患者表現フレームワーク（PatientTPP）を開発する。
  • 静的共変量と数値共変量を用いて、イベントエンコーディングをドメイン情報で補強し、よりリッチな表現を提供するTPPを拡張する。
  • PatientTPP表現の肥満関連アウトカムと医療経済指標への転移可能性を評価する。
  • BMIベースの方法を超えて、高コスト患者の特定を改善するPatientTPPベースのリスク層別化を実証する。

提案手法

  • 最初のステップで静的共変量（性別、人種、疑似年齢）を注入したAttNHPベースのニューラルTPPを拡張する。
  • 数値特徴（例：BMI、HbA1c）を離散ビンに量子化して並列TPPストリームを追加する。
  • 事前学習済み臨床埋め込みを組み込んでイベント表現を豊かにする。
  • 64以上のイベントを含む426,039の患者軌跡を用いて学習し、イベントの対数尤度とイベント間タイミングを生存項とともに最適化する。
  • 予測されたイベント確率から固定長の患者埋め込みを導出して下流タスクへ転移学習を行う。
  • 病歴から派生させた患者TPP埋め込みを使用して、肥満関連アウトカムの下流ロジスティック回帰と費用の線形回帰で評価し、転移学習を実施する。
Figure 1: A. A temporal point process is an event sequence defined over some interval $[0,T)$ . Events arrive at real-valued timestamps on this interval. Events may have classes associated with them (also known as “marks”) but not magnitudes (at least not out-of-the-box). Events have no duration. Th
Figure 1: A. A temporal point process is an event sequence defined over some interval $[0,T)$ . Events arrive at real-valued timestamps on this interval. Events may have classes associated with them (also known as “marks”) but not magnitudes (at least not out-of-the-box). Events have no duration. Th

実験結果

リサーチクエスチョン

  • RQ1不規則な臨床経過（静的・数値特徴を含む）から頑健で転移可能な患者表現を学習できるニューラル temporal point process は存在するか。
  • RQ2PatientTPP埋め込みは、BMIなどの従来指標を超えて、低リスクの過体重個人の肥満関連アウトカムと医療費の予測を改善するか。
  • RQ3学習時に明示的にモデリングされていない未知のアウトカムへも、学習した表現を転移できるか。
  • RQ4PatientTPP表現は、GLP-1療法など高コスト介入の費用中心のリスク層別化を支援できるか。

主な発見

条件PatientTPP重み付き推測
None5363543462
Sleep Apnea3029147
Arrhythmias excl. atrial fibrillation182754
Primary CKD stage 1–4141020
COPD134218
Atrial fibrillation95214
Acute Kidney Failure6828
Cholelithiasis5404
Patient death5309
Ischemic stroke4964
Acute Myocardial Infarction4196
Cardiomyopathy3971
Cholecystitis1580
Cardiac Arrest1490
Breast cancer1050
Acute Pancreatitis990
Acute Ischemic Heart Disease excl. MI980
Hemorrhagic stroke720
Colorectal cancer420
Kidney cancer280
CKD 5 and ESRD250
Pancreatic cancer250
Endometrial cancer240
Thyroid cancer220
Hepatocellular carcinoma190
Multiple myeloma130
Ovarian cancer90
Complication of MI80
Subsequent MI80
Stomach cancer80
Esophageal cancer63
Gallbladder cancern < 50
  • PatientTPPは、BMIベースの層別化と比較して肥満関連アウトカムおよび費用関連予測のAUROCを向上させた（費用分析でCV-cost AUROCの改善を示す）。
  • PatientTPP埋め込みは、学習時に明示的にモデリングされていなかったいくつかの肥満関連アウトカムの予測を可能にし、転移学習でAUROCがアウトカム間で変動。
  • 費用層別化では、PatientTPPベースのCV-costランキングが総コホート費用の上位25%の患者で39.3%を占め、BMIベースのランキングは22.7%（p<1e-5）であった。
  • 6コホート転移学習設定で、AUROCは0.53から0.79の範囲で推移し、学習表現に予測信号が含まれることを示した。
  • PatientTPP表現は、GLP-1療法の潜在的に負担の大きいコホートを識別でき、検討コホートの4年間で最大約80.9百万の費用差がみられた。
Figure 2: A. PatientTPP extensions to the AttNHP encoder architecture. Input sequence events and timestamps are embedded separately, then concatenated and fed to a multi-head self-attentive transformer. Invariant features are added in the main context-building loop are are nonzero for the first item
Figure 2: A. PatientTPP extensions to the AttNHP encoder architecture. Input sequence events and timestamps are embedded separately, then concatenated and fed to a multi-head self-attentive transformer. Invariant features are added in the main context-building loop are are nonzero for the first item

より良い研究を、今すぐ始めましょう

論文設計から論文執筆まで、研究時間を劇的に削減しましょう。

クレジットカード登録不要

このレビューはAIが作成し、人間の編集者が確認しました。