論文の概要: Towards Patient Record Summarization Through Joint Phenotype Learning in HIV Patients

• arxiv url: http://arxiv.org/abs/2003.11474v1
• Date: Mon, 9 Mar 2020 15:41:58 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-25 08:44:31.204963
• Title: Towards Patient Record Summarization Through Joint Phenotype Learning in HIV Patients
• Title（参考訳）: hiv患者の共同表現型学習による患者記録要約に向けて
• Authors: Gal Levy-Fix, Jason Zucker, Konstantin Stojanovic, and No\'emie Elhadad
• Abstract要約: 本研究では、構造化データと非構造化データにまたがる多数の表現型/プロブレムを共同で学習する、教師なし表現型化手法を提案する。 我々は,大都市医療施設のHIVクリニックから患者を表現型化する実験を行った。 臨床専門家による評価では,学習した表現型とその関連性は臨床的に有効であることが判明した。
• 参考スコア（独自算出の注目度）: 1.598617270887469
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Identifying a patient's key problems over time is a common task for providers at the point care, yet a complex and time-consuming activity given current electric health records. To enable a problem-oriented summarizer to identify a patient's comprehensive list of problems and their salience, we propose an unsupervised phenotyping approach that jointly learns a large number of phenotypes/problems across structured and unstructured data. To identify the appropriate granularity of the learned phenotypes, the model is trained on a target patient population of the same clinic. To enable the content organization of a problem-oriented summarizer, the model identifies phenotype relatedness as well. The model leverages a correlated-mixed membership approach with variational inference applied to heterogenous clinical data. In this paper, we focus our experiments on assessing the learned phenotypes and their relatedness as learned from a specific patient population. We ground our experiments in phenotyping patients from an HIV clinic in a large urban care institution (n=7,523), where patients have voluminous, longitudinal documentation, and where providers would benefit from summaries of these patient's medical histories, whether about their HIV or any comorbidities. We find that the learned phenotypes and their relatedness are clinically valid when assessed qualitatively by clinical experts, and that the model surpasses baseline in inferring phenotype-relatedness when comparing to existing expert-curated condition groupings.
• Abstract（参考訳）: 患者の重要な問題を時間とともに特定することは、ポイントケアにおける提供者にとって共通の課題であるが、現在の電気健康記録からすると、複雑で時間を要する活動である。 問題指向要約者が患者の包括的問題リストとその救済性を識別できるようにするため、構造化データと非構造化データ間で多数の表現型/問題を同時に学習する教師なし表現型化手法を提案する。 学習した表現型の適切な粒度を特定するために、同じ診療所の患者集団を対象にモデルを訓練する。 問題指向要約者のコンテンツ編成を可能にするため、モデルは表現型関連性も識別する。 本モデルは,異種臨床データに適用した変動推論と相関混合メンバシップアプローチを活用する。 本稿では,特定の患者集団から得られた学習表現型とその関連性を評価する実験について述べる。 都市医療機関(n=7,523)のhiv診療所から患者を表現型づけする実験を行い、患者が有望で縦長の文書を持ち、その患者がhivについてであれ、その患者の医療履歴の要約から利益を享受できるような実験を行った。 臨床専門家による質的評価では, 学習した表現型とその関連性は臨床的に有効であり, 既存の専門家による条件群と比較すると, 表現型関連性を推定する基準値を超えていることがわかった。

関連論文リスト

• Deep State-Space Generative Model For Correlated Time-to-Event Predictions [54.3637600983898]
  そこで本研究では,様々な種類の臨床イベント間の相互作用を捉えるために,潜伏状態空間生成モデルを提案する。 また,死亡率と臓器不全の関連性について有意な知見が得られた。
  論文  参考訳（メタデータ） (2024-07-28T02:42:36Z)
• Clustering of Disease Trajectories with Explainable Machine Learning: A Case Study on Postoperative Delirium Phenotypes [13.135589459700865]
  本稿では,パーソナライズされたPODリスク予測のための教師付き機械学習と,潜在的POD表現型を明らかにするための教師なしクラスタリング技術を組み合わせたアプローチを提案する。 SHAPの特徴空間におけるクラスタリング患者は,真の表現型を回復し,生の特徴空間におけるクラスタリングに優れることを示した。
  論文  参考訳（メタデータ） (2024-05-06T10:05:46Z)
• TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic Tree-Based Memory Network [54.332862955411656]
  臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。 近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。 本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
  論文  参考訳（メタデータ） (2023-07-19T12:35:09Z)
• T-Phenotype: Discovering Phenotypes of Predictive Temporal Patterns in Disease Progression [82.85825388788567]
  我々は、ラベル付き時系列データから予測時相パターンの表現型を発見するために、新しい時間的クラスタリング手法T-Phenotypeを開発した。 T-フェノタイプは, 評価ベースラインのすべてに対して, 最良の表現型発見性能を示す。
  論文  参考訳（メタデータ） (2023-02-24T13:30:35Z)
• A cost-based multi-layer network approach for the discovery of patient phenotypes [2.816539638885011]
  コミュニティ検出手法を用いて表現型を検出するためのコストベース層セレクタモデルを提案する。 私たちのゴールは、その品質を維持しながら、これらの表現型を構築するのに使用される機能の数を最小化することです。 いくつかの後処理変数では、COBALTの表現型を特徴とする予測子は、従来のクラスタリング法で検出された表現型よりも優れていた。
  論文  参考訳（メタデータ） (2022-09-19T14:07:10Z)
• What Do You See in this Patient? Behavioral Testing of Clinical NLP Models [69.09570726777817]
  本稿では,入力の変化に関する臨床結果モデルの振る舞いを評価する拡張可能なテストフレームワークを提案する。 私たちは、同じデータを微調整しても、モデル行動は劇的に変化し、最高のパフォーマンスのモデルが常に最も医学的に可能なパターンを学習していないことを示しています。
  論文  参考訳（メタデータ） (2021-11-30T15:52:04Z)
• Hybrid deep learning methods for phenotype prediction from clinical notes [4.866431869728018]
  本稿では,自然言語処理とディープラーニングモデルを用いて,患者表現型を自動的に抽出するハイブリッドモデルを提案する。 提案したハイブリッドモデルは,患者の退院報告における表現型を特定するために,ニューラル双方向シーケンスモデル(BiLSTMまたはBiGRU)と畳み込みニューラルネットワーク(CNN)に基づいている。
  論文  参考訳（メタデータ） (2021-08-16T05:57:28Z)
• Phenotyping Clusters of Patient Trajectories suffering from Chronic Complex Disease [3.1564542805009332]
  当院において, COPD 患者における3つの異なるクラスタリングモデルについて検討した。 本研究では,不均一な時系列データと不均衡なクラス分布に対処し,表現型分離を改善するための新しい修正法を提案する。
  論文  参考訳（メタデータ） (2020-11-17T01:18:33Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)
• Temporal Phenotyping using Deep Predictive Clustering of Disease Progression [97.88605060346455]
  我々は、時系列データをクラスタリングするためのディープラーニングアプローチを開発し、各クラスタは、同様の将来的な結果を共有する患者から構成される。 2つの実世界のデータセットに対する実験により、我々のモデルは最先端のベンチマークよりも優れたクラスタリング性能が得られることが示された。
  論文  参考訳（メタデータ） (2020-06-15T20:48:43Z)

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。