論文の概要: Self-Attention Enhanced Patient Journey Understanding in Healthcare System

• arxiv url: http://arxiv.org/abs/2006.10516v2
• Date: Fri, 19 Jun 2020 01:04:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-21 03:32:52.387908
• Title: Self-Attention Enhanced Patient Journey Understanding in Healthcare System
• Title（参考訳）: 医療システムにおけるセルフアテンション強化型患者ジャーニー理解
• Authors: Xueping Peng, Guodong Long, Tao Shen, Sen Wang, Jing Jiang
• Abstract要約: MusaNetは、長い活動の連続である患者旅行の表現を学ぶように設計されている。 MusaNetは、EHRから派生したトレーニングデータを使用して、エンドツーエンドでトレーニングされる。 提案したMusaNetは最先端のベースライン法よりも高品質な表現を実現している。
• 参考スコア（独自算出の注目度）: 43.11457142941327
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Understanding patients' journeys in healthcare system is a fundamental prepositive task for a broad range of AI-based healthcare applications. This task aims to learn an informative representation that can comprehensively encode hidden dependencies among medical events and its inner entities, and then the use of encoding outputs can greatly benefit the downstream application-driven tasks. A patient journey is a sequence of electronic health records (EHRs) over time that is organized at multiple levels: patient, visits and medical codes. The key challenge of patient journey understanding is to design an effective encoding mechanism which can properly tackle the aforementioned multi-level structured patient journey data with temporal sequential visits and a set of medical codes. This paper proposes a novel self-attention mechanism that can simultaneously capture the contextual and temporal relationships hidden in patient journeys. A multi-level self-attention network (MusaNet) is specifically designed to learn the representations of patient journeys that is used to be a long sequence of activities. The MusaNet is trained in end-to-end manner using the training data derived from EHRs. We evaluated the efficacy of our method on two medical application tasks with real-world benchmark datasets. The results have demonstrated the proposed MusaNet produces higher-quality representations than state-of-the-art baseline methods. The source code is available in https://github.com/xueping/MusaNet.
• Abstract（参考訳）: 医療システムにおける患者の経過を理解することは、幅広いAIベースの医療アプリケーションにとって、基本的な前向きな課題である。 このタスクは、医療イベントとその内部エンティティ間の隠れた依存関係を包括的にエンコード可能な情報表現を学習することを目的としており、その上で、エンコーディング出力を使用することは、下流のアプリケーション駆動タスクに大きな恩恵をもたらす。 患者ジャーニー(英: patient journey)とは、患者、訪問、医療コードなど複数のレベルで組織される電子健康記録(EHR)のシリーズである。 患者旅行理解の鍵となる課題は、前述の多段階構造化患者旅行データに対して、一時的なシーケンシャル訪問と一連の医療コードで適切に対応できる効果的なエンコーディング機構を設計することである。 本稿では,患者旅行に隠された文脈的・時間的関係を同時に捉える新しい自己発見機構を提案する。 マルチレベル・セルフアテンション・ネットワーク(MusaNet)は、長期にわたる活動である患者旅行の表現を学習するように設計されている。 MusaNetは、EHRから派生したトレーニングデータを使用して、エンドツーエンドでトレーニングされる。 実世界のベンチマークデータセットを用いて,2つの医療応用課題に対する本手法の有効性を評価した。 その結果,提案手法は最先端のベースライン法よりも高品質な表現を実現することが示された。 ソースコードはhttps://github.com/xueping/MusaNetで入手できる。

関連論文リスト

• NOTE: Notable generation Of patient Text summaries through Efficient approach based on direct preference optimization [0.0]
  NOTE」は「直接選好最適化に基づく効率的なアプローチによる患者テキスト要約の不適切な生成」の意。 患者イベントは順次組み合わせられ、各入院の退院の概要を生成するために使用される。 ノートは、サマリーを放出するだけでなく、患者の旅行を通して様々なサマリーを生成するために利用することができる。
  論文  参考訳（メタデータ） (2024-02-19T06:43:25Z)
• Clairvoyance: A Pipeline Toolkit for Medical Time Series [95.22483029602921]
  時系列学習は、データ駆動の*クリニカルな意思決定支援のパンとバターである* Clairvoyanceは、ソフトウェアツールキットとして機能する、統合されたエンドツーエンドのオートMLフレンドリなパイプラインを提案する。 Clairvoyanceは、臨床時系列MLのための包括的で自動化可能なパイプラインの生存可能性を示す最初のものである。
  論文  参考訳（メタデータ） (2023-10-28T12:08:03Z)
• ViMQ: A Vietnamese Medical Question Dataset for Healthcare Dialogue System Development [1.4315915057750197]
  ベトナムでは,文レベルおよびエンティティレベルのアノテーションを持つ患者からの医療質問のデータセットを公開している。 本研究では,スパンノイズモデルを用いた簡易な自己教師型学習手法を提案する。
  論文  参考訳（メタデータ） (2023-04-27T17:59:53Z)
• MIMO: Mutual Integration of Patient Journey and Medical Ontology for Healthcare Representation Learning [49.57261599776167]
  本稿では、医療表現学習と予測分析のための、エンドツーエンドの堅牢なトランスフォーマーベースのソリューション、患者旅行の相互統合、医療オントロジー(MIMO)を提案する。
  論文  参考訳（メタデータ） (2021-07-20T07:04:52Z)
• Multitask Recalibrated Aggregation Network for Medical Code Prediction [19.330911490203317]
  長期かつノイズの多い臨床文書の符号化の課題を解決するために,マルチタスク再校正アグリゲーションネットワークを提案する。 特に、マルチタスク学習は、異なるコーディングスキーム間で情報を共有し、異なる医療コード間の依存関係をキャプチャする。 実世界のMIMIC-IIIデータセットによる実験では、予測性能が大幅に向上した。
  論文  参考訳（メタデータ） (2021-04-02T09:22:10Z)
• Medical Code Assignment with Gated Convolution and Note-Code Interaction [39.079615516043674]
  本稿では,医療コードの自動割り当てのための新しい手法,ゲート畳み込みニューラルネットワーク,ノートコードインタラクション(GatedCNN-NCI)を提案する。 新たなノート-コードインタラクション設計とグラフメッセージパッシング機構により、ノートとコード間の基盤となる依存関係を明示的にキャプチャする。 提案モデルはほとんどの場合,最先端モデルよりも優れており,モデルサイズは軽量ベースラインと同程度である。
  論文  参考訳（メタデータ） (2020-10-14T11:37:24Z)
• 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)
• Learning Contextualized Document Representations for Healthcare Answer Retrieval [68.02029435111193]
  コンテキスト談話ベクトル(英: Contextual Discourse Vectors、CDV)は、長文からの効率的な回答検索のための分散文書表現である。 本モデルでは,階層型LSTMレイヤとマルチタスクトレーニングを併用したデュアルエンコーダアーキテクチャを用いて,臨床エンティティの位置と文書の談話に沿った側面をエンコードする。 我々の一般化モデルは、医療パスランキングにおいて、最先端のベースラインを著しく上回っていることを示す。
  論文  参考訳（メタデータ） (2020-02-03T15:47:19Z)
• DeepEnroll: Patient-Trial Matching with Deep Embedding and Entailment Prediction [67.91606509226132]
  臨床試験は医薬品開発に不可欠であるが、高価で不正確で不十分な患者募集に苦しむことが多い。 DeepEnrollは、入力基準(タブラリデータ)を一致する推論のための共有潜在空間に共同でエンコードする、クロスモーダル推論学習モデルである。
  論文  参考訳（メタデータ） (2020-01-22T17:51:25Z)

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。