Fugu-MT 論文翻訳(概要): A Machine Learning System for Retaining Patients in HIV Care

論文の概要: A Machine Learning System for Retaining Patients in HIV Care

arxiv url: http://arxiv.org/abs/2006.04944v1
Date: Mon, 1 Jun 2020 01:44:38 GMT
ステータス: 処理完了
システム内更新日: 2022-11-26 07:24:07.294890
Title: A Machine Learning System for Retaining Patients in HIV Care
Title（参考訳）: hiv治療における患者維持のための機械学習システム
Authors: Avishek Kumar, Arthi Ramachandran, Adolfo De Unanue, Christina Sung, Joe Walsh, John Schneider, Jessica Ridgway, Stephanie Masiello Schuette, Jeff Lauritsen, Rayid Ghani
Abstract要約: HIVに感染している人の51%は薬を服用せず、最終的に医療をやめる。個人をケアに再リンクする現在の方法は(患者が退院した後)反応性があり、あまり効果がない。我々は,シカゴ大学HIVクリニックとシカゴ公衆衛生省の医療費の削減に最もリスクがある人を予測するシステムについて述べる。
参考スコア（独自算出の注目度）: 2.8550886780528493
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Retaining persons living with HIV (PLWH) in medical care is paramount to preventing new transmissions of the virus and allowing PLWH to live normal and healthy lifespans. Maintaining regular appointments with an HIV provider and taking medication daily for a lifetime is exceedingly difficult. 51% of PLWH are non-adherent with their medications and eventually drop out of medical care. Current methods of re-linking individuals to care are reactive (after a patient has dropped-out) and hence not very effective. We describe our system to predict who is most at risk to drop-out-of-care for use by the University of Chicago HIV clinic and the Chicago Department of Public Health. Models were selected based on their predictive performance under resource constraints, stability over time, as well as fairness. Our system is applicable as a point-of-care system in a clinical setting as well as a batch prediction system to support regular interventions at the city level. Our model performs 3x better than the baseline for the clinical model and 2.3x better than baseline for the city-wide model. The code has been released on github and we hope this methodology, particularly our focus on fairness, will be adopted by other clinics and public health agencies in order to curb the HIV epidemic.
Abstract（参考訳）: 医療におけるHIV (PLWH) の保有は、新型ウイルスの感染を予防し、PLWHが正常で健康な寿命を維持できる上で最重要である。 HIVプロバイダとの定期的なアポイントメントを維持し、毎日薬を服用することは極めて困難である。 plwhの51%は薬に固執せず、最終的には医療から離脱する。個人をケアに再リンクする現在の方法は(患者が退院した後)反応性があり、あまり効果がない。我々は,シカゴ大学HIVクリニックとシカゴ公衆衛生省の医療費の削減に最もリスクがある人を予測するシステムについて述べる。モデルは、リソース制約下での予測性能、時間の安定性、公平性に基づいて選択された。本システムは,臨床現場におけるポイント・オブ・ケア・システムや,都市レベルでの定期的な介入を支援するバッチ予測システムとして適用可能である。本モデルでは,臨床モデルのベースラインよりも3倍,都市全体モデルのベースラインより2.3倍高い性能を示した。コードはgithubでリリースされており、この方法、特にフェアネスにフォーカスすることで、hivの流行を抑制するために、他のクリニックや公衆衛生機関に採用されることを願っています。

関連論文リスト

Bayesian Counterfactual Prediction Models for HIV Care Retention with Incomplete Outcome and Covariate Information [0.0]
保持を予測し、保持を最適化するスケジュール決定を推奨するデータ駆動手法が必要である。予測モデルは、様々なスケジューリングオプションで保持率を推定するのに有用である。本稿では、これらの複雑さを考慮に入れながら、HIVの維持を予測し、スケジューリングを最適化するオールインワンアプローチを提案する。
論文参考訳（メタデータ） (2024-10-29T19:19:38Z)
Leave No Patient Behind: Enhancing Medication Recommendation for Rare Disease Patients [47.68396964741116]
本稿では,レアな疾患の正確性を高めるために,ロバストとメディケーションのための高精度勧告(RAREMed)と呼ばれる新しいモデルを提案する。入力シーケンスを統一したトランスフォーマーエンコーダを使用して、疾患と手続きコードの間の複雑な関係をキャプチャする。稀な疾患と一般的な疾患の両方に対して正確な薬物セットを提供し、薬の推奨システムにおける不公平を緩和する。
論文参考訳（メタデータ） (2024-03-26T14:36:22Z)
Deep Reinforcement Learning for Efficient and Fair Allocation of Health Care Resources [47.57108369791273]
医療資源の枯渇は、レーションの避けられない結果をもたらす可能性がある。医療資源割り当てプロトコルの普遍的な標準は存在しない。本稿では,患者の疾患進行と患者間の相互作用効果を統合するためのトランスフォーマーベースのディープQネットワークを提案する。
論文参考訳（メタデータ） (2023-09-15T17:28:06Z)
Machine learning-based patient selection in an emergency department [0.0]
本稿では機械学習(ML)に基づく患者選択手法の可能性について検討する。システムの包括的な状態表現と、複雑な非線形選択関数が組み込まれている。その結果,提案手法は評価条件の大部分においてAPQ法よりも有意に優れていた。
論文参考訳（メタデータ） (2022-06-08T08:56:52Z)
Conditional Generation Net for Medication Recommendation [73.09366442098339]
医薬推奨は、患者の診断に従って適切な薬セットを提供することを目標としており、これは診療所において重要な課題である。医薬品群を生成するための新しいコピー・アンド・予測機構を導入した条件生成ネット(COGNet)を提案する。提案手法を公開MIMICデータセット上で検証し,実験結果から,提案手法が最先端の手法より優れていることを示す。
論文参考訳（メタデータ） (2022-02-14T10:16:41Z)
Web based disease prediction and recommender system [0.9176056742068814]
病歴を保存し,病状を予知する Web ベースの患者診断システムを提案する。早期の疾患予測は、ユーザが病気の重症度を判断し、迅速な行動を取るのに役立つ。中央データベースは、医療データが保存され、システムに透明性があることを保証する。
論文参考訳（メタデータ） (2021-06-05T06:47:54Z)
Drug Recommendation System based on Sentiment Analysis of Drug Reviews using Machine Learning [0.0]
我々は,Bow,TFIDF,Word2Vec,Manual Feature Analysisなどの様々なベクトル化プロセスを用いて,患者レビューを用いて感情を予測する医薬推薦システムを構築した。その結果, TFIDFベクトル化を用いたLinearSVCは, 93%の精度で他のモデルよりも優れていた。
論文参考訳（メタデータ） (2021-03-24T10:11:18Z)
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)
UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文参考訳（メタデータ） (2020-10-22T02:28:11Z)
Equitable Allocation of Healthcare Resources with Fair Cox Models [10.648355672051142]
我々は生存モデルとそれに対応するコックス比例ハザードモデルに対する公平性定義を開発する。本稿では,2つのサバイバルデータセットの公平性と予測精度の観点から,本手法の有用性を実証する。
論文参考訳（メタデータ） (2020-10-14T06:08:15Z)
BiteNet: Bidirectional Temporal Encoder Network to Predict Medical Outcomes [53.163089893876645]
本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
論文参考訳（メタデータ） (2020-09-24T00:42:36Z)

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。