論文の概要: A multi-agent ontologies-based clinical decision support system
- arxiv url: http://arxiv.org/abs/2001.07374v1
- Date: Tue, 21 Jan 2020 08:04:13 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-08 00:12:17.686208
- Title: A multi-agent ontologies-based clinical decision support system
- Title（参考訳）: マルチエージェントオントロジーに基づく臨床判断支援システム
- Authors: Ying Shen (UPN), Jacquet-Andrieu Armelle, Jo\"el Colloc (IDEES)
- Abstract要約: マルチエージェント意思決定支援システム(MADSS)は,異なる知識分野におけるエージェントの統合と協調を可能にする。
本研究のアプローチは,臨床段階における知識モデルに適応したエージェントの専門化と評価に基づいている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Clinical decision support systems combine knowledge and data from a variety
of sources, represented by quantitative models based on stochastic methods, or
qualitative based rather on expert heuristics and deductive reasoning. At the
same time, case-based reasoning (CBR) memorizes and returns the experience of
solving similar problems. The cooperation of heterogeneous clinical knowledge
bases (knowledge objects, semantic distances, evaluation functions, logical
rules, databases...) is based on medical ontologies. A multi-agent decision
support system (MADSS) enables the integration and cooperation of agents
specialized in different fields of knowledge (semiology, pharmacology, clinical
cases, etc.). Each specialist agent operates a knowledge base defining the
conduct to be maintained in conformity with the state of the art associated
with an ontological basis that expresses the semantic relationships between the
terms of the domain in question. Our approach is based on the specialization of
agents adapted to the knowledge models used during the clinical steps and
ontologies. This modular approach is suitable for the realization of MADSS in
many areas.
- Abstract（参考訳）: 臨床意思決定支援システムは、確率的手法に基づく量的モデルや、専門家のヒューリスティックスや推論に基づく質的モデルで表される様々な情報源からの知識とデータを組み合わせる。
同時に、ケースベースの推論(CBR)は、同様の問題を解決する経験を記憶し返します。
不均一な臨床知識基盤(知識オブジェクト、意味距離、評価関数、論理ルール、データベース...)の協調は、医療オントロジーに基づいている。
マルチエージェント意思決定支援システム(MADSS)は、異なる知識分野(生理学、薬理学、臨床例など)に特化したエージェントの統合と協調を可能にする。
各専門エージェントは、当該ドメインの用語間の意味的関係を表現するオントロジ的基礎に関連する技術の状態に応じて維持されるべき行為を定義する知識ベースを運用する。
本研究のアプローチは,臨床段階およびオントロジーにおける知識モデルに適応したエージェントの専門化に基づく。
このモジュラーアプローチは多くの領域におけるMADSSの実現に適している。
関連論文リスト
- Named Clinical Entity Recognition Benchmark [2.9332007863461893]
本報告では, 名前付き臨床エンティティ認識ベンチマークを紹介する。
臨床物語から構造化された情報を抽出する重要な自然言語処理(NLP)タスクに対処する。
リーダーボードは多様な言語モデルを評価するための標準化されたプラットフォームを提供する。
論文 参考訳（メタデータ） (2024-10-07T14:00:18Z) - Diagnostic Reasoning in Natural Language: Computational Model and Application [68.47402386668846]
言語基底タスク(NL-DAR)の文脈における診断誘導推論(DAR)について検討する。
パール構造因果モデルに基づくNL-DARの新しいモデリングフレームワークを提案する。
得られたデータセットを用いて,NL-DARにおける人間の意思決定過程を解析する。
論文 参考訳（メタデータ） (2024-09-09T06:55:37Z) - FEDKIM: Adaptive Federated Knowledge Injection into Medical Foundation Models [54.09244105445476]
本研究は,フェデレート・ラーニング・フレームワーク内で医療基盤モデルを拡張するための新しい知識注入手法であるFedKIMを紹介する。
FedKIMは軽量なローカルモデルを活用して、プライベートデータから医療知識を抽出し、この知識を集中基盤モデルに統合する。
7つのモードで12タスクを対象に実験を行い,FedKIMの有効性について検討した。
論文 参考訳（メタデータ） (2024-08-17T15:42:29Z) - A Survey of Models for Cognitive Diagnosis: New Developments and Future Directions [66.40362209055023]
本研究の目的は,認知診断の現在のモデルについて,機械学習を用いた新たな展開に注目した調査を行うことである。
モデル構造,パラメータ推定アルゴリズム,モデル評価方法,適用例を比較して,認知診断モデルの最近の傾向を概観する。
論文 参考訳（メタデータ） (2024-07-07T18:02:00Z) - M-QALM: A Benchmark to Assess Clinical Reading Comprehension and Knowledge Recall in Large Language Models via Question Answering [14.198330378235632]
我々は,3つのジェネラリストと3つの専門的なバイオメディカルサブドメインにおいて,22のデータセットに関する大規模な実験研究を行うために,複数選択と抽象質問応答を用いた。
15個のLLMの性能の多面的解析により、リコールや理解の向上につながる命令チューニングなどの成功要因が明らかになった。
最近提案されたドメイン適応モデルには十分な知識が欠如している可能性があるが、収集した医療知識データセットを直接微調整することは、奨励的な結果を示している。
我々は、必要な知識を単に思い出し、提示された知識と統合するモデルの能力の間に大きなギャップがあることを明らかにする、スキル指向手動エラー解析で定量的結果を補完する。
論文 参考訳（メタデータ） (2024-06-06T02:43:21Z) - Beyond Direct Diagnosis: LLM-based Multi-Specialist Agent Consultation
for Automatic Diagnosis [30.943705201552643]
本研究では,潜在的な疾患に対するエージェントの確率分布を適応的に融合させることにより,現実世界の診断過程をモデル化する枠組みを提案する。
提案手法では,パラメータ更新とトレーニング時間を大幅に短縮し,効率と実用性を向上する。
論文 参考訳（メタデータ） (2024-01-29T12:25:30Z) - Elucidating Discrepancy in Explanations of Predictive Models Developed
using EMR [2.1561701531034414]
透明性と説明責任の欠如は、機械学習(ML)アルゴリズムの臨床的採用を妨げる。
本研究は電子カルテ(EMR)データのために開発された臨床診断支援アルゴリズムに適用する。
論文 参考訳（メタデータ） (2023-11-28T10:13:31Z) - Emulating Human Cognitive Processes for Expert-Level Medical
Question-Answering with Large Language Models [0.23463422965432823]
BooksMedはLarge Language Model(LLM)に基づいた新しいフレームワークである
人間の認知プロセスをエミュレートして、エビデンスベースの信頼性の高い応答を提供する。
本稿では、専門家レベルのオープンエンドな質問からなるベンチマークであるExpertMedQAを紹介する。
論文 参考訳（メタデータ） (2023-10-17T13:39:26Z) - A Meta-embedding-based Ensemble Approach for ICD Coding Prediction [64.42386426730695]
国際疾病分類 (icd) は、世界中で臨床コーディングに使われているデファクトコードである。
これらのコードにより、医療提供者は償還を請求し、診断情報の効率的な保管と検索を容易にします。
提案手法は,日常的な医学データと科学論文の外部知識を用いて,効果的に単語ベクトルを訓練することにより,神経モデルの性能を高める。
論文 参考訳（メタデータ） (2021-02-26T17:49:58Z) - Inheritance-guided Hierarchical Assignment for Clinical Automatic
Diagnosis [50.15205065710629]
臨床診断は、臨床ノートに基づいて患者に診断符号を割り当てることを目的としており、臨床意思決定において重要な役割を担っている。
本稿では,臨床自動診断のための継承誘導階層と共起グラフの伝播を組み合わせた新しい枠組みを提案する。
論文 参考訳（メタデータ） (2021-01-27T13:16:51Z) - UmlsBERT: Clinical Domain Knowledge Augmentation of Contextual
Embeddings Using the Unified Medical Language System Metathesaurus [73.86656026386038]
事前学習プロセス中にドメイン知識を統合するコンテキスト埋め込みモデルであるUmlsBERTを紹介する。
これらの2つの戦略を適用することで、UmlsBERTは、臨床領域の知識を単語埋め込みにエンコードし、既存のドメイン固有モデルより優れている。
論文 参考訳（メタデータ） (2020-10-20T15:56:31Z)
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。