論文の概要: Decision Support for Intoxication Prediction Using Graph Convolutional Networks

• arxiv url: http://arxiv.org/abs/2005.00840v1
• Date: Sat, 2 May 2020 14:20:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-07 11:57:49.361197
• Title: Decision Support for Intoxication Prediction Using Graph Convolutional Networks
• Title（参考訳）: グラフ畳み込みネットワークを用いた中毒予測の決定支援
• Authors: Hendrik Burwinkel, Matthias Keicher, David Bani-Harouni, Tobias Zellner, Florian Eyer, Nassir Navab, Seyed-Ahmad Ahmadi
• Abstract要約: 本稿では,患者の症状とメタ情報をグラフ畳み込みネットワークを用いて融合する新しい機械学習CADx法を提案する。 ミュンヘンのPCCと10種類の毒素の有毒化を経験した10名の医師に対して,本法の有効性を検証した。
• 参考スコア（独自算出の注目度）: 34.73713173968106
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Every day, poison control centers (PCC) are called for immediate classification and treatment recommendations if an acute intoxication is suspected. Due to the time-sensitive nature of these cases, doctors are required to propose a correct diagnosis and intervention within a minimal time frame. Usually the toxin is known and recommendations can be made accordingly. However, in challenging cases only symptoms are mentioned and doctors have to rely on their clinical experience. Medical experts and our analyses of a regional dataset of intoxication records provide evidence that this is challenging, since occurring symptoms may not always match the textbook description due to regional distinctions, inter-rater variance, and institutional workflow. Computer-aided diagnosis (CADx) can provide decision support, but approaches so far do not consider additional information of the reported cases like age or gender, despite their potential value towards a correct diagnosis. In this work, we propose a new machine learning based CADx method which fuses symptoms and meta information of the patients using graph convolutional networks. We further propose a novel symptom matching method that allows the effective incorporation of prior knowledge into the learning process and evidently stabilizes the poison prediction. We validate our method against 10 medical doctors with different experience diagnosing intoxication cases for 10 different toxins from the PCC in Munich and show our method's superiority in performance for poison prediction.
• Abstract（参考訳）: 毎日、急性中毒の疑いがある場合は、毒規制センター(PCC)が即時分類と治療勧告のために呼ばれる。 これらの症例の時間依存性のため、医師は最小限の時間枠内で正しい診断と介入を提案する必要がある。 通常、毒素は知られ、それに応じて推奨することができる。 しかし、困難な症例では症状のみが言及され、医師は臨床経験に頼る必要がある。 本研究は, 地域別, 地域間差異, 制度的ワークフローなどにより, 症状が教科書の記述と必ずしも一致しない可能性があるため, 有毒化記録の地域データセットを分析した結果, 困難であることが示唆された。 コンピュータ支援診断(CADx)は意思決定を支援することができるが、これまでのアプローチでは、正しい診断に対する潜在的な価値にもかかわらず、年齢や性別などの報告された事例のさらなる情報については考慮していない。 本研究では,グラフ畳み込みネットワークを用いた患者の症状とメタ情報を融合した機械学習に基づくCADx法を提案する。 さらに,事前知識を学習プロセスに効果的に組み込むことを可能にし,毒素予測を明らかに安定化する新しい症状マッチング法を提案する。 ミュンヘンのPCCと10種類の毒素の有毒化を経験した10名の医師に対して,本法の有効性を検証し,本法が有毒化予測に有効であることを示す。

関連論文リスト

• MAGDA: Multi-agent guideline-driven diagnostic assistance [43.15066219293877]
  救急部門、地方病院、または未開発地域の診療所では、臨床医は訓練された放射線技師による高速な画像分析を欠いていることが多い。 本研究では,ゼロショットガイドライン駆動意思決定支援のための新しいアプローチを提案する。 我々は、患者診断に到達するために協調する、対照的な視覚言語モデルで強化された複数のLLMエージェントのシステムをモデル化する。
  論文  参考訳（メタデータ） (2024-09-10T09:10:30Z)
• Xplainer: From X-Ray Observations to Explainable Zero-Shot Diagnosis [36.45569352490318]
  臨床現場でのゼロショット診断のためのフレームワークであるXplainerを紹介した。 Xplainerは、コントラッシブ・ビジョン言語モデルの分類・記述アプローチをマルチラベル診断タスクに適用する。 我々の結果は、Xplainerが意思決定プロセスをより詳細に理解していることを示唆している。
  論文  参考訳（メタデータ） (2023-03-23T16:07:31Z)
• NeuralSympCheck: A Symptom Checking and Disease Diagnostic Neural Model with Logic Regularization [59.15047491202254]
  症状検査システムは、患者に症状を問い合わせ、迅速で手頃な価格の医療評価を行う。 本稿では,論理正則化を用いたニューラルネットワークの教師付き学習に基づく新しい手法を提案する。 以上の結果から,本手法は診断回数や症状が大きい場合の診断精度において,最も優れた方法であることがわかった。
  論文  参考訳（メタデータ） (2022-06-02T07:57:17Z)
• DxFormer: A Decoupled Automatic Diagnostic System Based on Decoder-Encoder Transformer with Dense Symptom Representations [26.337392652262103]
  診断指向対話システムは患者の健康状態を照会し、患者との継続的な対話を通じて疾患の予測を行う。 本稿では,診断プロセスを症状調査と疾患診断の2つの段階に分割する,分離された自動診断フレームワークDxFormerを提案する。 提案モデルは,医師の臨床経験を効果的に学習し,症状のリコールと診断精度の点で最先端の結果を得ることができる。
  論文  参考訳（メタデータ） (2022-05-08T01:52:42Z)
• Efficient Symptom Inquiring and Diagnosis via Adaptive Alignment of Reinforcement Learning and Classification [0.6415701940560564]
  そこで本研究では,それぞれに強化学習課題と分類課題として定式化された症状検索と疾患診断を併用した医学的自動診断法を提案する。 我々はMedlinePlus知識ベースから抽出された新しいデータセットを作成し、より多くの病気とより完全な症状情報を含む。 実験結果から,本手法は異なるデータセット上での3つの最新手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2021-12-01T11:25:42Z)
• In-Line Image Transformations for Imbalanced, Multiclass Computer Vision Classification of Lung Chest X-Rays [91.3755431537592]
  本研究は、COVID-19 LCXRデータ不足のバランスをとるために画像変換を適用するために、文献の体系を活用することを目的としている。 convolutional neural networks(cnns)のようなディープラーニング技術は、健康状態と疾患状態を区別する特徴を選択することができる。 本研究は,CNNアーキテクチャを用いて高速多クラスLCXR分類を94%精度で行う。
  論文  参考訳（メタデータ） (2021-04-06T02:01:43Z)
• Variational Knowledge Distillation for Disease Classification in Chest X-Rays [102.04931207504173]
  我々は,X線に基づく疾患分類のための新しい確率的推論フレームワークである反復的知識蒸留(VKD)を提案する。 提案手法の有効性を,X線画像とEHRを用いた3つの公開ベンチマークデータセットに示す。
  論文  参考訳（メタデータ） (2021-03-19T14:13:56Z)
• Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
  臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。 退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。 複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
  論文  参考訳（メタデータ） (2021-02-08T10:26:44Z)
• Inheritance-guided Hierarchical Assignment for Clinical Automatic Diagnosis [50.15205065710629]
  臨床診断は、臨床ノートに基づいて患者に診断符号を割り当てることを目的としており、臨床意思決定において重要な役割を担っている。 本稿では,臨床自動診断のための継承誘導階層と共起グラフの伝播を組み合わせた新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2021-01-27T13:16:51Z)

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。