論文の概要: Drug-disease Graph: Predicting Adverse Drug Reaction Signals via Graph
Neural Network with Clinical Data
- arxiv url: http://arxiv.org/abs/2004.00407v1
- Date: Wed, 1 Apr 2020 13:01:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-17 18:00:32.945063
- Title: Drug-disease Graph: Predicting Adverse Drug Reaction Signals via Graph
Neural Network with Clinical Data
- Title（参考訳）: 薬物障害グラフ:臨床データを用いたグラフニューラルネットワークによる副作用の予測
- Authors: Heeyoung Kwak, Minwoo Lee, Seunghyun Yoon, Jooyoung Chang, Sangmin
Park, Kyomin Jung
- Abstract要約: 医療クレームデータを用いたADR信号検出のためのグラフベースの新しいフレームワークを開発した。
そこで我々は,Side Effect Resourceデータベースのラベルを用いて,ADR信号の予測にグラフニューラルネットワークを適用した。
- 参考スコア（独自算出の注目度）: 21.700743167418963
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Adverse Drug Reaction (ADR) is a significant public health concern
world-wide. Numerous graph-based methods have been applied to biomedical graphs
for predicting ADRs in pre-marketing phases. ADR detection in post-market
surveillance is no less important than pre-marketing assessment, and ADR
detection with large-scale clinical data have attracted much attention in
recent years. However, there are not many studies considering graph structures
from clinical data for detecting an ADR signal, which is a pair of a
prescription and a diagnosis that might be a potential ADR. In this study, we
develop a novel graph-based framework for ADR signal detection using healthcare
claims data. We construct a Drug-disease graph with nodes representing the
medical codes. The edges are given as the relationships between two codes,
computed using the data. We apply Graph Neural Network to predict ADR signals,
using labels from the Side Effect Resource database. The model shows improved
AUROC and AUPRC performance of 0.795 and 0.775, compared to other algorithms,
showing that it successfully learns node representations expressive of those
relationships. Furthermore, our model predicts ADR pairs that do not exist in
the established ADR database, showing its capability to supplement the ADR
database.
- Abstract（参考訳）: 副作用(adr)は世界中で大きな公衆衛生上の懸念である。
プリマーケティングフェーズにおけるADR予測のためのバイオメディカルグラフに多くのグラフベースの手法が適用されている。
市販後監視におけるADR検出は, 市販前評価に劣らず重要であり, 近年, 大規模臨床データによるADR検出が注目されている。
しかし、処方薬のペアであるadr信号を検出するための臨床データからのグラフ構造や、潜在的なadrとなる可能性のある診断についての研究はあまり多くない。
本研究では,医療クレームデータを用いたADR信号検出のための新しいグラフベースのフレームワークを開発する。
医用コードを表すノードを持つ薬物放出グラフを構築した。
エッジは2つのコード間の関係として与えられ、データを使って計算される。
そこで我々は,Side Effect Resourceデータベースのラベルを用いて,ADR信号の予測にグラフニューラルネットワークを適用した。
このモデルでは、他のアルゴリズムと比較して0.795と0.775のAUROCとAUPRCの性能が改善されており、それらの関係を表すノード表現をうまく学習している。
さらに,既存のADRデータベースには存在しないADRペアを予測し,ADRデータベースを補完する機能を示す。
関連論文リスト
- DFGNN: Dual-frequency Graph Neural Network for Sign-aware Feedback [51.72177873832969]
本稿では,周波数フィルタの観点から正負のフィードバックをモデル化する新しいモデルを提案する。
実世界のデータセットについて広範な実験を行い、提案モデルの有効性を実証する。
論文 参考訳（メタデータ） (2024-05-24T07:07:41Z) - Graph data modelling for outcome prediction in oropharyngeal cancer
patients [38.37247384790338]
グラフニューラルネットワーク(GNN)は、疾患の分類と予後予測のタスクにおいて、医療分野でますます人気が高まっている。
口腔咽頭癌(OPC)患者の2次予後予測のためのインダクティブ・ラーニング・セットアップで検討した患者ハイパーグラフ・ネットワーク(PHGN)を提案する。
論文 参考訳（メタデータ） (2023-10-04T16:09:35Z) - Leveraging Semi-Supervised Graph Learning for Enhanced Diabetic
Retinopathy Detection [0.0]
糖尿病網膜症(DR: Diabetic Retinopathy)は、早期発見と治療の急激な必要性を浮き彫りにしている。
機械学習(ML)技術の最近の進歩は、DR検出における将来性を示しているが、ラベル付きデータの可用性は、しばしばパフォーマンスを制限している。
本研究では,DR検出に適したSemi-Supervised Graph Learning SSGLアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-09-02T04:42:08Z) - ADRNet: A Generalized Collaborative Filtering Framework Combining
Clinical and Non-Clinical Data for Adverse Drug Reaction Prediction [49.56476929112382]
逆薬物反応(ADR)予測は、医療と薬物発見において重要な役割を果たす。
ADRNetは、臨床データと非臨床データを組み合わせた一般的な協調フィルタリングフレームワークである。
論文 参考訳（メタデータ） (2023-08-03T11:28:12Z) - Dynamic Graph Enhanced Contrastive Learning for Chest X-ray Report
Generation [92.73584302508907]
コントラスト学習を用いた医療レポート作成を支援するために,動的構造とノードを持つ知識グラフを提案する。
詳しくは、グラフの基本構造は一般知識から事前構築される。
各イメージ機能は、レポート生成のためにデコーダモジュールに入力する前に、独自の更新グラフに統合される。
論文 参考訳（メタデータ） (2023-03-18T03:53:43Z) - Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。
GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
論文 参考訳（メタデータ） (2023-02-06T16:38:43Z) - Resisting Graph Adversarial Attack via Cooperative Homophilous
Augmentation [60.50994154879244]
最近の研究では、グラフニューラルネットワークは弱く、小さな摂動によって簡単に騙されることが示されている。
本研究では,グラフインジェクションアタック(Graph Injection Attack)という,新興だが重要な攻撃に焦点を当てる。
本稿では,グラフデータとモデルの協調的同好性増強によるGIAに対する汎用防衛フレームワークCHAGNNを提案する。
論文 参考訳（メタデータ） (2022-11-15T11:44:31Z) - GOOD-D: On Unsupervised Graph Out-Of-Distribution Detection [67.90365841083951]
我々は,OODグラフを検出するための新しいグラフコントラスト学習フレームワークGOOD-Dを開発した。
GOOD-Dは、潜在IDパターンをキャプチャし、異なる粒度のセマンティック不整合に基づいてOODグラフを正確に検出することができる。
教師なしグラフレベルのOOD検出における先駆的な研究として,提案手法と最先端手法を比較した総合的なベンチマークを構築した。
論文 参考訳（メタデータ） (2022-11-08T12:41:58Z) - FD-GATDR: A Federated-Decentralized-Learning Graph Attention Network for
Doctor Recommendation Using EHR [6.46446579065236]
本稿では,患者と医師の潜在的なつながりを再構築するための時間埋め込み型医師推薦システムを提案する。
また,患者データ共有病院のプライバシー問題に対処するため,最小化最適化モデルに基づく分散分散型学習手法を提案する。
論文 参考訳（メタデータ） (2022-07-11T18:53:10Z) - Mining Adverse Drug Reactions from Unstructured Mediums at Scale [0.0]
副作用の薬物反応/事象(ADR/ADE)は、患者の健康と医療費に大きな影響を及ぼす。
ほとんどのADRは正式なチャンネルでは報告されないが、しばしば構造化されていない会話で記録される。
本研究では,非構造化自由テキスト会話におけるADRを検出する自然言語処理(NLP)ソリューションを提案する。
論文 参考訳（メタデータ） (2022-01-05T01:52:42Z)
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。