論文の概要: Predicting Unplanned Readmissions with Highly Unstructured Data

• arxiv url: http://arxiv.org/abs/2003.11622v2
• Date: Sun, 5 Apr 2020 13:23:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-22 03:31:22.365171
• Title: Predicting Unplanned Readmissions with Highly Unstructured Data
• Title（参考訳）: 高精度な非構造化データによる未計画読解予測
• Authors: Constanza Fierro, Jorge P\'erez, Javier Mora
• Abstract要約: 深層学習技術は、医療センターにおける患者の未計画の寛解を予測するのに成功している。 現在提案されているほとんどのモデルは、英語のテキストデータに合わせており、電子カルテは先進国で一般的な標準に従っていると仮定している。 本稿では,従来の文献のモデルに比べて構造化の少ないデータを消費する未計画の読み出しを予測するためのディープラーニングアーキテクチャを提案する。
• 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: Deep learning techniques have been successfully applied to predict unplanned readmissions of patients in medical centers. The training data for these models is usually based on historical medical records that contain a significant amount of free-text from admission reports, referrals, exam notes, etc. Most of the models proposed so far are tailored to English text data and assume that electronic medical records follow standards common in developed countries. These two characteristics make them difficult to apply in developing countries that do not necessarily follow international standards for registering patient information, or that store text information in languages other than English. In this paper we propose a deep learning architecture for predicting unplanned readmissions that consumes data that is significantly less structured compared with previous models in the literature. We use it to present the first results for this task in a large clinical dataset that mainly contains Spanish text data. The dataset is composed of almost 10 years of records in a Chilean medical center. On this dataset, our model achieves results that are comparable to some of the most recent results obtained in US medical centers for the same task (0.76 AUROC).
• Abstract（参考訳）: 深層学習技術は、医療センターにおける患者の未計画の寛解を予測するのに成功している。 これらのモデルのトレーニングデータは、通常、入試報告書、参考書、試験ノートなどからかなりの量のフリーテキストを含む歴史的医療記録に基づいている。 これまで提案されたモデルの多くは、英語のテキストデータに合わせており、先進国では電子医療記録が標準に準拠していると仮定している。 これらの2つの特徴は、必ずしも患者情報を登録する国際基準に従わない発展途上国や、英語以外の言語にテキスト情報を格納する途上国では適用が困難である。 本稿では,従来の文献モデルに比べて構造化の少ないデータを消費する未計画の読み出し予測のためのディープラーニングアーキテクチャを提案する。 主にスペイン語のテキストデータを含む大規模な臨床データセットを用いて,このタスクの最初の結果を示す。 データセットはチリの医療センターで約10年間の記録で構成されている。 このデータセットでは、同じタスク(0.76 auroc)で米国医療センターで得られた最新の結果に匹敵する結果が得られる。

関連論文リスト

• JRadiEvo: A Japanese Radiology Report Generation Model Enhanced by Evolutionary Optimization of Model Merging [0.0]
  我々は、公開データから50の翻訳サンプルのみを用いて、X線画像から正確な日本語レポートを生成するモデルを作成する。 80億のパラメータしか持たないこの比較的コンパクトな基礎モデルは、病院内でローカルに展開できる。
  論文  参考訳（メタデータ） (2024-11-15T04:16:50Z)
• Medical Vision-Language Pre-Training for Brain Abnormalities [96.1408455065347]
  本稿では,PubMedなどの公共リソースから,医用画像・テキスト・アライメントデータを自動的に収集する方法を示す。 特に,まず大きな脳画像テキストデータセットを収集することにより,事前学習プロセスの合理化を図るパイプラインを提案する。 また,医療領域におけるサブフィギュアをサブキャプションにマッピングするというユニークな課題についても検討した。
  論文  参考訳（メタデータ） (2024-04-27T05:03:42Z)
• Enhancing Medical Specialty Assignment to Patients using NLP Techniques [0.0]
  本稿では,計算効率を向上しつつ,優れた性能を実現する方法を提案する。 具体的には、キーワードを用いて、大規模なテキストコーパスで事前訓練された言語モデルより優れたディープラーニングアーキテクチャを訓練する。 その結果,テキスト分類におけるキーワードの利用により,分類性能が著しく向上することが示唆された。
  論文  参考訳（メタデータ） (2023-12-09T14:13:45Z)
• Development and validation of a natural language processing algorithm to pseudonymize documents in the context of a clinical data warehouse [53.797797404164946]
  この研究は、この領域でツールやリソースを共有する際に直面する困難を浮き彫りにしている。 臨床文献のコーパスを12種類に分類した。 私たちは、ディープラーニングモデルと手動ルールの結果をマージして、ハイブリッドシステムを構築します。
  論文  参考訳（メタデータ） (2023-03-23T17:17:46Z)
• Towards Understanding the Generalization of Medical Text-to-SQL Models and Datasets [46.12592636378064]
  医療分野におけるテキスト・ツー・ジェネレーションの解決にはまだまだ長い道のりがある。 精度は92%から28%に低下し,性能が大幅に低下した現状の言語モデルを評価した。 本稿では,関係言語モデルの一般化性を改善するために,新たなデータ拡張手法を提案する。
  論文  参考訳（メタデータ） (2023-03-22T20:26:30Z)
• Textual Data Augmentation for Patient Outcomes Prediction [67.72545656557858]
  本稿では,患者の電子カルテに人工的な臨床ノートを作成するための新しいデータ拡張手法を提案する。 生成言語モデルGPT-2を微調整し、ラベル付きテキストを元のトレーニングデータで合成する。 今回,最も多い患者,すなわち30日間の寛解率について検討した。
  論文  参考訳（メタデータ） (2022-11-13T01:07:23Z)
• Learning structures of the French clinical language:development and validation of word embedding models using 21 million clinical reports from electronic health records [2.5709272341038027]
  事前訓練された言語モデルを用いた伝達学習に基づく手法は、ほとんどのNLPアプリケーションで最先端の結果を得た。 本研究の目的は,下流医療NLP課題に対する言語モデルの適用が臨床報告に及ぼす影響を評価することである。
  論文  参考訳（メタデータ） (2022-07-26T14:46:34Z)
• GERNERMED -- An Open German Medical NER Model [0.7310043452300736]
  医療データ分析の分野でのデータマイニングは、関連するデータを取得するために、構造化されていないデータの処理にのみ依存する必要があることが多い。 本研究では,ドイツのテキストデータにおける医学的実体型を検出するためのNERタスクのための,最初のオープンなニューラルNLPモデルであるGERNERMEDを提案する。
  論文  参考訳（メタデータ） (2021-09-24T17:53:47Z)
• CBLUE: A Chinese Biomedical Language Understanding Evaluation Benchmark [51.38557174322772]
  中国初のバイオメディカル言語理解評価ベンチマークを提示する。 名前付きエンティティ認識、情報抽出、臨床診断正規化、単文/文対分類を含む自然言語理解タスクのコレクションである。 本研究は,現在の11種類の中国モデルによる実験結果について報告し,その実験結果から,現在最先端のニューラルモデルがヒトの天井よりもはるかに悪い性能を示すことが示された。
  論文  参考訳（メタデータ） (2021-06-15T12:25:30Z)
• Predicting Clinical Diagnosis from Patients Electronic Health Records Using BERT-based Neural Networks [62.9447303059342]
  医療コミュニティにおけるこの問題の重要性を示す。 本稿では,変換器 (BERT) モデルによる2方向表現の分類順序の変更について述べる。 約400万人のユニークな患者訪問からなる、大規模なロシアのEHRデータセットを使用します。
  論文  参考訳（メタデータ） (2020-07-15T09:22:55Z)
• Med7: a transferable clinical natural language processing model for electronic health records [6.935142529928062]
  本稿では,臨床自然言語処理のための匿名認識モデルを提案する。 このモデルは、薬物名、ルート、頻度、摂取量、強度、形態、期間の7つのカテゴリを認識するよう訓練されている。 本研究は、米国における集中治療室のデータから、英国における二次医療精神保健記録(CRIS)へのモデル導入可能性を評価するものである。
  論文  参考訳（メタデータ） (2020-03-03T00:55:43Z)

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。