論文の概要: A new paradigm for accelerating clinical data science at Stanford Medicine

• arxiv url: http://arxiv.org/abs/2003.10534v1
• Date: Tue, 17 Mar 2020 16:21:42 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-28 22:11:48.911361
• Title: A new paradigm for accelerating clinical data science at Stanford Medicine
• Title（参考訳）: スタンフォード医学における臨床データ科学の促進のための新しいパラダイム
• Authors: Somalee Datta, Jose Posada, Garrick Olson, Wencheng Li, Ciaran O'Reilly, Deepa Balraj, Joseph Mesterhazy, Joseph Pallas, Priyamvada Desai, Nigam Shah
• Abstract要約: Stanford Medicineは、私たちの学術研究コミュニティがより良い臨床データサイエンスを行うための、新しいデータプラットフォームを構築している。 病院には大量の患者データがあり、研究者はそのデータとAIアプローチを再利用できることを実証している。 私たちは、データにアクセスし分析する時間を短縮することを目的とした、新しいセキュアなビッグデータプラットフォームを構築しています。
• 参考スコア（独自算出の注目度）: 1.3814679165245243
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Stanford Medicine is building a new data platform for our academic research community to do better clinical data science. Hospitals have a large amount of patient data and researchers have demonstrated the ability to reuse that data and AI approaches to derive novel insights, support patient care, and improve care quality. However, the traditional data warehouse and Honest Broker approaches that are in current use, are not scalable. We are establishing a new secure Big Data platform that aims to reduce time to access and analyze data. In this platform, data is anonymized to preserve patient data privacy and made available preparatory to Institutional Review Board (IRB) submission. Furthermore, the data is standardized such that analysis done at Stanford can be replicated elsewhere using the same analytical code and clinical concepts. Finally, the analytics data warehouse integrates with a secure data science computational facility to support large scale data analytics. The ecosystem is designed to bring the modern data science community to highly sensitive clinical data in a secure and collaborative big data analytics environment with a goal to enable bigger, better and faster science.
• Abstract（参考訳）: Stanford Medicineは、我々の学術研究コミュニティがより良い臨床データサイエンスを行うための新しいデータプラットフォームを構築している。 病院には大量の患者データがあり、研究者は、そのデータとAIアプローチを再利用して、新しい洞察を導き、患者のケアをサポートし、ケア品質を向上させる能力を示した。 しかし、現在使われている従来のデータウェアハウスと正直なブローカーアプローチは、スケーラブルではない。 私たちは、データにアクセスし分析する時間を短縮することを目的とした、新しいセキュアなビッグデータプラットフォームを構築しています。 このプラットフォームでは、データは患者のデータのプライバシを保存するために匿名化され、IRB(Institutional Review Board)に提出される。 さらに、このデータは、スタンフォードで行った分析を他の場所で同じ分析コードと臨床概念を使って再現できるように標準化されている。 最後に、分析データウェアハウスは、大規模データ分析をサポートするセキュアなデータサイエンス計算機能と統合される。 このエコシステムは、より大きく、より高速な科学を可能にするために、セキュアで協調的なビッグデータ分析環境において、現代データサイエンスコミュニティを高感度な臨床データにすることを目的としている。

関連論文リスト

• Pennsieve: A Collaborative Platform for Translational Neuroscience and Beyond [0.5130659559809153]
  Pennsieveはオープンソースでクラウドベースの科学データ管理プラットフォームである。 複雑なマルチモーダルデータセットをサポートし、データの視覚化と分析のためのツールを提供する。 Pennsieveは125TB以上の科学的データを格納し、350以上のハイインパクトデータセットで35TB以上のデータを公開している。
  論文  参考訳（メタデータ） (2024-09-16T17:55:58Z)
• iASiS: Towards Heterogeneous Big Data Analysis for Personalized Medicine [28.917691563659467]
  iASiSインフラストラクチャは、臨床ノートを使用可能なデータに変換することができる。 データの意味的な統合を使用することで、リッチで監査可能で信頼性の高い情報を生成する機会が得られる。 iASiSのユースケース,認知症,肺癌の2つの異なる疾患カテゴリのデータ資源について検討した。
  論文  参考訳（メタデータ） (2024-07-09T10:52:19Z)
• TrialBench: Multi-Modal Artificial Intelligence-Ready Clinical Trial Datasets [57.067409211231244]
  本稿では,マルチモーダルデータ(例えば,薬物分子,疾患コード,テキスト,分類・数値的特徴)と臨床治験設計における8つの重要な予測課題をカバーするAIreadyデータセットを精巧にキュレートした。 データセットのユーザビリティと信頼性を確保するため、各タスクに基本的な検証方法を提供する。 このようなオープンアクセスデータセットが利用可能になることは、臨床試験設計のための高度なAIアプローチの開発を促進することを期待する。
  論文  参考訳（メタデータ） (2024-06-30T09:13:10Z)
• Data-Centric AI in the Age of Large Language Models [51.20451986068925]
  本稿では,大規模言語モデル(LLM)に着目した,AI研究におけるデータ中心の視点を提案する。 本研究では,LLMの発達段階(事前学習や微調整など)や推論段階(文脈内学習など)において,データが有効であることを示す。 データを中心とした4つのシナリオを特定し、データ中心のベンチマークとデータキュレーション、データ属性、知識伝達、推論コンテキスト化をカバーします。
  論文  参考訳（メタデータ） (2024-06-20T16:34:07Z)
• Building Flexible, Scalable, and Machine Learning-ready Multimodal Oncology Datasets [17.774341783844026]
  本研究は、オンコロジーデータシステム(MINDS)のマルチモーダル統合を提案する。 MINDSはフレキシブルでスケーラブルで費用対効果の高いメタデータフレームワークで、公開ソースから異なるデータを効率的に分離する。 MINDSは、マルチモーダルデータを調和させることで、より分析能力の高い研究者を力づけることを目指している。
  論文  参考訳（メタデータ） (2023-09-30T15:44:39Z)
• Bringing the Algorithms to the Data -- Secure Distributed Medical Analytics using the Personal Health Train (PHT-meDIC) [1.451998131020241]
  パーソナルヘルストレイン(PHT)パラダイムは、"データへのアルゴリズム"パラダイムを実装している。 本稿では,PHT概念のオープンソース実装であるPHT-meDICを提案する。
  論文  参考訳（メタデータ） (2022-12-07T06:29:15Z)
• Label scarcity in biomedicine: Data-rich latent factor discovery enhances phenotype prediction [102.23901690661916]
  低次元の埋め込み空間は、健康指標、ライフスタイル、および人口動態の予測をデータスカース化するために、英国バイオバンクの人口データセットから導出することができる。 半超越的アプローチによるパフォーマンス向上は、おそらく様々な医学データサイエンス応用にとって重要な要素となるだろう。
  論文  参考訳（メタデータ） (2021-10-12T16:25:50Z)
• A highly scalable repository of waveform and vital signs data from bedside monitoring devices [0.0]
  機械学習は、患者バイタルのような様々な種類の信号データに対する研究コミュニティの欲求を喚起している。 医療システムは大量のデータの大量処理には適していない。 我々は,患者を夜間に,オンプレミスのバイオメディカルシステムから永久アーカイブとしてクラウドストレージの場所まで,患者のバイタルデータを同期するソリューションを開発した。
  論文  参考訳（メタデータ） (2021-06-07T20:59:58Z)
• FLOP: Federated Learning on Medical Datasets using Partial Networks [84.54663831520853]
  新型コロナウイルスの感染拡大で医療資源が不足している。 新型コロナウイルスの診断を緩和するために、さまざまなデータ駆動型ディープラーニングモデルが開発されている。 患者のプライバシー上の懸念から、データそのものはまだ乏しい。 我々は、textbfPartial Networks (FLOP) を用いた、シンプルで効果的な textbfFederated textbfL textbfon Medical データセットを提案する。
  論文  参考訳（メタデータ） (2021-02-10T01:56:58Z)
• Privacy-preserving medical image analysis [53.4844489668116]
  医用画像におけるプライバシ保護機械学習(PPML)のためのソフトウェアフレームワークであるPriMIAを提案する。 集合型学習モデルの分類性能は,未発見データセットの人間専門家と比較して有意に良好である。 グラデーションベースのモデル反転攻撃に対するフレームワークのセキュリティを実証的に評価する。
  論文  参考訳（メタデータ） (2020-12-10T13:56:00Z)
• Surgical Data Science -- from Concepts toward Clinical Translation [67.543698133416]
  外科的データサイエンスは、データの取得、組織化、分析、モデリングを通じて介入医療の質を向上させることを目的としている。 私たちは、その根底にある理由を明かし、この分野における今後の進歩のロードマップを提供しました。
  論文  参考訳（メタデータ） (2020-10-30T14:20:16Z)

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。