Fugu-MT 論文翻訳(概要): A Deep Learning Pipeline for Patient Diagnosis Prediction Using Electronic Health Records

論文の概要: A Deep Learning Pipeline for Patient Diagnosis Prediction Using Electronic Health Records

arxiv url: http://arxiv.org/abs/2006.16926v1
Date: Tue, 23 Jun 2020 14:58:58 GMT
ステータス: 処理完了
システム内更新日: 2022-11-17 22:25:43.328830
Title: A Deep Learning Pipeline for Patient Diagnosis Prediction Using Electronic Health Records
Title（参考訳）: 電子健康記録を用いた患者診断予測のための深層学習パイプライン
Authors: Leopold Franz, Yash Raj Shrestha, Bibek Paudel
Abstract要約: 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。
参考スコア（独自算出の注目度）: 0.5672132510411464
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Augmentation of disease diagnosis and decision-making in healthcare with machine learning algorithms is gaining much impetus in recent years. In particular, in the current epidemiological situation caused by COVID-19 pandemic, swift and accurate prediction of disease diagnosis with machine learning algorithms could facilitate identification and care of vulnerable clusters of population, such as those having multi-morbidity conditions. In order to build a useful disease diagnosis prediction system, advancement in both data representation and development of machine learning architectures are imperative. First, with respect to data collection and representation, we face severe problems due to multitude of formats and lack of coherency prevalent in Electronic Health Records (EHRs). This causes hindrance in extraction of valuable information contained in EHRs. Currently, no universal global data standard has been established. As a useful solution, we develop and publish a Python package to transform public health dataset into an easy to access universal format. This data transformation to an international health data format facilitates researchers to easily combine EHR datasets with clinical datasets of diverse formats. Second, machine learning algorithms that predict multiple disease diagnosis categories simultaneously remain underdeveloped. We propose two novel model architectures in this regard. First, DeepObserver, which uses structured numerical data to predict the diagnosis categories and second, ClinicalBERT_Multi, that incorporates rich information available in clinical notes via natural language processing methods and also provides interpretable visualizations to medical practitioners. We show that both models can predict multiple diagnoses simultaneously with high accuracy.
Abstract（参考訳）: 機械学習アルゴリズムによる医療における病気の診断と意思決定の強化は、近年ますます重要になっている。特に、新型コロナウイルス(COVID-19)のパンデミックによる現在の疫学的状況では、機械学習アルゴリズムによる疾患診断の迅速かつ正確な予測は、多病原性疾患などの脆弱な集団の識別と治療を容易にする可能性がある。有用な疾患診断予測システムを構築するためには、データ表現と機械学習アーキテクチャの開発の両方の進歩が不可欠である。まず,データ収集と表現に関して,電子健康記録(EHRs)において多種類のフォーマットと一貫性の欠如により,深刻な問題に直面している。これにより、EHRに含まれる貴重な情報の抽出が妨げられる。現在、グローバルデータ標準は確立されていない。有効なソリューションとして、公開健康データセットをユニバーサルフォーマットに簡単に変換するPythonパッケージを開発し、公開する。このデータを国際的な健康データ形式に変換することで、研究者はehlデータセットと多様な形式の臨床データセットを簡単に組み合わせることができる。第2に、複数の疾患診断カテゴリを同時に予測する機械学習アルゴリズムは未開発のままである。本稿では,2つの新しいモデルアーキテクチャを提案する。第1にdeepobserverは、構造化された数値データを使用して診断カテゴリーを予測し、第2にcriinalbert_multiは、自然言語処理によって臨床ノートで利用可能な豊富な情報を取り込み、医療従事者に解釈可能な可視化を提供する。両モデルとも高い精度で複数の診断を同時に予測できることを示す。

関連論文リスト

Time-aware Heterogeneous Graph Transformer with Adaptive Attention Merging for Health Event Prediction [6.578298085691462]
本稿では,疾患領域の知識を同化し,薬物と疾患の複雑な関係を解明するための新しい異種グラフ学習モデルを提案する。 2つの医療データセットで評価したところ、予測精度と解釈可能性の両方において顕著な改善が見られた。
論文参考訳（メタデータ） (2024-04-23T08:01:30Z)
Multi-confound regression adversarial network for deep learning-based diagnosis on highly heterogenous clinical data [1.2891210250935143]
我々は、高度に異種な臨床データに基づいてディープラーニングモデルを訓練するための新しいディープラーニングアーキテクチャ、MUCRANを開発した。われわれは、2019年以前にマサチューセッツ総合病院から収集した16,821個の臨床T1軸性脳MRIを用いてMUCRANを訓練した。このモデルでは,新たに収集したデータに対して90%以上の精度で頑健な性能を示した。
論文参考訳（メタデータ） (2022-05-05T18:39:09Z)
When Accuracy Meets Privacy: Two-Stage Federated Transfer Learning Framework in Classification of Medical Images on Limited Data: A COVID-19 Case Study [77.34726150561087]
新型コロナウイルスのパンデミックが急速に広がり、世界の医療資源が不足している。 CNNは医療画像の解析に広く利用され、検証されている。
論文参考訳（メタデータ） (2022-03-24T02:09:41Z)
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)
Self-Supervised Graph Learning with Hyperbolic Embedding for Temporal Health Event Prediction [13.24834156675212]
本稿では,情報フローを組み込んだハイパーボリック埋め込み手法を提案する。我々は、これらの事前学習された表現をグラフニューラルネットワークに組み込んで、疾患の合併症を検出する。本稿では,EHRデータを完全に活用する自己教師付き学習フレームワークに,階層型で強化された履歴予測代行タスクを提案する。
論文参考訳（メタデータ） (2021-06-09T00:42:44Z)
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)
Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文参考訳（メタデータ） (2020-09-02T02:50:30Z)
A Data-Efficient Deep Learning Based Smartphone Application For Detection Of Pulmonary Diseases Using Chest X-rays [0.0]
アプリはモバイルカメラから撮影したChest X-Rayイメージを入力し、クラウドプラットフォームのAIアーキテクチャにリレーする。スマートフォンの医師はこのアプリケーションを利用すれば、新型コロナウイルス(COVID-19)の診断に要する時間を大幅に節約できる。
論文参考訳（メタデータ） (2020-08-19T04:28:17Z)
Predicting Clinical Diagnosis from Patients Electronic Health Records Using BERT-based Neural Networks [62.9447303059342]
医療コミュニティにおけるこの問題の重要性を示す。本稿では,変換器 (BERT) モデルによる2方向表現の分類順序の変更について述べる。約400万人のユニークな患者訪問からなる、大規模なロシアのEHRデータセットを使用します。
論文参考訳（メタデータ） (2020-07-15T09:22:55Z)
Simultaneous imputation and disease classification in incomplete medical datasets using Multigraph Geometric Matrix Completion (MGMC) [37.160335232396406]
我々は,Multigraph Geometric Matrix Completionを用いて,不完全な医療データセットのインプットと疾患予測のエンドツーエンド学習を提案する。我々は,最先端の手法と比較して,分類と計算性能の観点から,提案手法の優位性を実証的に示す。
論文参考訳（メタデータ） (2020-05-14T13:11:35Z)
Self-Training with Improved Regularization for Sample-Efficient Chest X-Ray Classification [80.00316465793702]
挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
論文参考訳（メタデータ） (2020-05-03T02:36:00Z)

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。