論文の概要: Knowledge Base Completion for Constructing Problem-Oriented Medical Records

• arxiv url: http://arxiv.org/abs/2004.12905v2
• Date: Fri, 7 Aug 2020 13:22:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-09 04:09:17.917624
• Title: Knowledge Base Completion for Constructing Problem-Oriented Medical Records
• Title（参考訳）: 問題指向医療記録構築のための知識ベース補完
• Authors: James Mullenbach, Jordan Swartz, T. Greg McKelvey, Hui Dai, David Sontag
• Abstract要約: 電子健康記録に機械学習を用いて、関連する薬品、手順、ラボテストの問題をベースとしたグループ化を自動的に構築する方法を示す。 我々は,本アルゴリズムが関連する薬剤,手順,検査を提案できる能力を評価し,本手法がトレーニング中に隠された問題に対しても有効な提案を提供することを確認した。
• 参考スコア（独自算出の注目度）: 2.789980015306525
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Both electronic health records and personal health records are typically organized by data type, with medical problems, medications, procedures, and laboratory results chronologically sorted in separate areas of the chart. As a result, it can be difficult to find all of the relevant information for answering a clinical question about a given medical problem. A promising alternative is to instead organize by problems, with related medications, procedures, and other pertinent information all grouped together. A recent effort by Buchanan (2017) manually defined, through expert consensus, 11 medical problems and the relevant labs and medications for each. We show how to use machine learning on electronic health records to instead automatically construct these problem-based groupings of relevant medications, procedures, and laboratory tests. We formulate the learning task as one of knowledge base completion, and annotate a dataset that expands the set of problems from 11 to 32. We develop a model architecture that exploits both pre-trained concept embeddings and usage data relating the concepts contained in a longitudinal dataset from a large health system. We evaluate our algorithms' ability to suggest relevant medications, procedures, and lab tests, and find that the approach provides feasible suggestions even for problems that are hidden during training. The dataset, along with code to reproduce our results, is available at https://github.com/asappresearch/kbc-pomr.
• Abstract（参考訳）: 電子健康記録と個人の健康記録は、典型的にはデータ型によって整理され、医学的問題、薬品、処置、検査結果がチャートの別々の領域で時系列的に並べられる。 その結果、ある医療問題に関する臨床質問に回答するためのすべての関連情報を見つけることが困難になる可能性がある。 有望な代替手段は、問題によって組織化することであり、関連する薬、手順、その他の関連する情報がすべてまとめられている。 ブキャナン(2017年)による最近の取り組みは、専門家のコンセンサス、11の医療問題、関連する研究室と医薬品を手作業で定義した。 そこで本研究では,電子健康記録に機械学習を応用し,その代わりに関連する医薬品,プロシージャ,検査などの問題に基づくグループ化を自動的に構築する方法を示す。 学習課題を知識ベース完了の1つとして定式化し,問題の集合を11から32に拡張するデータセットを注釈化する。 本研究では,事前学習された概念埋め込みと,大規模健康システムからの縦型データセットに含まれる概念に関連する利用データの両方を利用するモデルアーキテクチャを開発する。 我々は,本アルゴリズムが関連する薬剤,手順,検査を提案できる能力を評価し,本手法がトレーニング中に隠された問題に対しても有効な提案を提供することを確認した。 結果の再現コードとともにデータセットは、https://github.com/asappresearch/kbc-pomrで利用可能です。

関連論文リスト

• Toward a Unified Graph-Based Representation of Medical Data for Precision Oncology Medicine [0.0]
  本稿では,医学知識を持つ患者の遺伝情報と医療記録を一意の知識グラフで組み合わせた,医用データの統一的な表現を提案する。 このアプローチは、各データセットを別々に見ることによって、利用できない意味のある情報や説明を推測することを可能にする。
  論文  参考訳（メタデータ） (2024-10-17T07:43:48Z)
• FEDMEKI: A Benchmark for Scaling Medical Foundation Models via Federated Knowledge Injection [83.54960238236548]
  FEDMEKIはデータのプライバシーを守るだけでなく、医療基盤モデルの能力を高める。 FEDMEKIは、医療ファンデーションモデルに対して、直接データを公開することなく、幅広い医療知識から学ぶことを可能にする。
  論文  参考訳（メタデータ） (2024-08-17T15:18:56Z)
• Medical Question Summarization with Entity-driven Contrastive Learning [12.008269098530386]
  本稿では,エンティティ駆動型コントラスト学習(ECL)を用いた新しい医療質問要約フレームワークを提案する。 ECLは、しばしば質問される質問(FAQ)に医療機関を採用し、硬い負のサンプルを生成する効果的なメカニズムを考案している。 iCliniqデータセットの33%の重複率など、いくつかのMQAデータセットが深刻なデータ漏洩問題に悩まされていることが分かりました。
  論文  参考訳（メタデータ） (2023-04-15T00:19:03Z)
• 2021 BEETL Competition: Advancing Transfer Learning for Subject Independence & Heterogenous EEG Data Sets [89.84774119537087]
  我々は、診断とBCI(Brain-Computer-Interface)に関する2つの伝達学習課題を設計する。 第1タスクは、患者全体にわたる自動睡眠ステージアノテーションに対処する医療診断に重点を置いている。 タスク2はBrain-Computer Interface (BCI)に集中しており、被験者とデータセットの両方にわたる運動画像のデコードに対処する。
  論文  参考訳（メタデータ） (2022-02-14T12:12:20Z)
• The Medkit-Learn(ing) Environment: Medical Decision Modelling through Simulation [81.72197368690031]
  医用シーケンシャルな意思決定に特化して設計された新しいベンチマークスイートを提案する。 Medkit-Learn(ing) Environmentは、高忠実度合成医療データに簡単かつ簡単にアクセスできるPythonパッケージである。
  論文  参考訳（メタデータ） (2021-06-08T10:38:09Z)
• A Review of Deep Learning Methods for Irregularly Sampled Medical Time Series Data [7.735948372571363]
  不規則サンプリング時系列(ISTS)データは、観測とシーケンス間の異なるサンプリング率の間に不規則な時間間隔を持つ。 EHRデータの深層学習法は、パーソナライズされた治療、正確な診断、医療管理に重要である。 本稿では,これらの深層学習手法を,技術とタスクの観点から概観する。
  論文  参考訳（メタデータ） (2020-10-23T15:51:23Z)
• Interpretable Multi-Step Reasoning with Knowledge Extraction on Complex Healthcare Question Answering [89.76059961309453]
  HeadQAデータセットには、公衆医療専門試験で認可された複数の選択質問が含まれている。 これらの質問は、現在のQAシステムにとって最も難しいものです。 知識抽出フレームワーク(MurKe)を用いた多段階推論を提案する。 市販の事前訓練モデルを完全に活用しようと努力しています。
  論文  参考訳（メタデータ） (2020-08-06T02:47:46Z)
• A Deep Learning Pipeline for Patient Diagnosis Prediction Using Electronic Health Records [0.5672132510411464]
  我々は、公衆衛生データセットを普遍的なフォーマットに容易に変換するPythonパッケージを開発し、公開する。 複数の診断を同時に予測する2つの新しいモデルアーキテクチャを提案する。 どちらのモデルも高い精度で複数の診断を同時に予測できる。
  論文  参考訳（メタデータ） (2020-06-23T14:58:58Z)
• Patient Similarity Analysis with Longitudinal Health Data [0.5249805590164901]
  電子健康記録には、医療訪問、検査、手順、および結果に関する時間分解情報が含まれている。 これらの旅の類似性を評価することで、共通の病気の軌跡を共通の健康結果とともに発見することができる。 特定のクラスタへの患者旅行の割り当ては、パーソナライズされた結果予測と治療選択の基礎となる可能性がある。
  論文  参考訳（メタデータ） (2020-05-14T07:06:02Z)
• Hierarchical Reinforcement Learning for Automatic Disease Diagnosis [52.111516253474285]
  政策学習のための対話システムに2段階の階層的な政策構造を統合することを提案する。 提案した政策構造は,多くの疾患や症状を含む診断問題に対処することができる。
  論文  参考訳（メタデータ） (2020-04-29T15:02:41Z)
• Opportunities and Challenges of Deep Learning Methods for Electrocardiogram Data: A Systematic Review [62.490310870300746]
  心電図(Electrocardiogram、ECG)は、医学および医療において最も一般的に用いられる診断ツールの1つである。 深層学習法は心電図信号を用いた予測医療タスクにおいて有望な結果を得た。 本稿では、モデリングとアプリケーションの観点から、ECGデータに対するディープラーニング手法の体系的なレビューを行う。
  論文  参考訳（メタデータ） (2019-12-28T02:44:29Z)

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。