論文の概要: CovidCare: Transferring Knowledge from Existing EMR to Emerging Epidemic
for Interpretable Prognosis
- arxiv url: http://arxiv.org/abs/2007.08848v1
- Date: Fri, 17 Jul 2020 09:20:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-09 12:45:21.503400
- Title: CovidCare: Transferring Knowledge from Existing EMR to Emerging Epidemic
for Interpretable Prognosis
- Title（参考訳）: CovidCare:既存のEMRから新しいてんかんへの知識の移行
- Authors: Liantao Ma, Xinyu Ma, Junyi Gao, Chaohe Zhang, Zhihao Yu, Xianfeng
Jiao, Wenjie Ruan, Yasha Wang, Wen Tang, Jiangtao Wang
- Abstract要約: 新興感染症患者の予後を高めるための深層学習型アプローチであるCovidCareを提案する。
CovidCareは、トランスファーラーニングを通じて、大量の既存のEMRデータに基づいて、新型コロナウイルス関連の医療機能を組み込むことを学ぶ。
実際のCOVID-19データセット上で、患者に対する滞在予測実験の期間を延ばす。
- 参考スコア（独自算出の注目度）: 20.701122594508675
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Due to the characteristics of COVID-19, the epidemic develops rapidly and
overwhelms health service systems worldwide. Many patients suffer from systemic
life-threatening problems and need to be carefully monitored in ICUs. Thus the
intelligent prognosis is in an urgent need to assist physicians to take an
early intervention, prevent the adverse outcome, and optimize the medical
resource allocation. However, in the early stage of the epidemic outbreak, the
data available for analysis is limited due to the lack of effective diagnostic
mechanisms, rarity of the cases, and privacy concerns. In this paper, we
propose a deep-learning-based approach, CovidCare, which leverages the existing
electronic medical records to enhance the prognosis for inpatients with
emerging infectious diseases. It learns to embed the COVID-19-related medical
features based on massive existing EMR data via transfer learning. The
transferred parameters are further trained to imitate the teacher model's
representation behavior based on knowledge distillation, which embeds the
health status more comprehensively in the source dataset. We conduct the length
of stay prediction experiments for patients on a real-world COVID-19 dataset.
The experiment results indicate that our proposed model consistently
outperforms the comparative baseline methods. CovidCare also reveals that, 1)
hs-cTnI, hs-CRP and Platelet Counts are the most fatal biomarkers, whose
abnormal values usually indicate emergency adverse outcome. 2) Normal values of
gamma-GT, AP and eGFR indicate the overall improvement of health. The medical
findings extracted by CovidCare are empirically confirmed by human experts and
medical literatures.
- Abstract（参考訳）: 新型コロナウイルスの特徴により、この流行は急速に発展し、世界中の医療サービスシステムに圧倒される。
多くの患者は全身的な致命的な問題を抱えており、ICUで注意深く監視する必要がある。
このように、インテリジェントな予後は、医師が早期の介入をし、副作用を予防し、医療資源割り当てを最適化するために緊急に必要である。
しかし、流行の初期段階では、効果的な診断機構の欠如、ケースの希少性、プライバシー上の懸念などから、分析に利用できるデータは限られている。
本稿では,新興感染症患者の予後を高めるため,既存の電子カルテを活用した深層学習型アプローチであるCovidCareを提案する。
トランスファー・ラーニングを通じて既存の大量のemrデータに基づいて、新型コロナウイルス関連の医療機能を埋め込むことを学んでいる。
転送されたパラメータは、さらに、ソースデータセットにより包括的に健康状態を埋め込んだ知識蒸留に基づく教師モデルの表現行動を模倣するように訓練される。
実際のCOVID-19データセット上で、患者に対する滞在予測実験の期間を延ばす。
実験の結果,提案手法は比較ベースライン法よりも一貫して優れていた。
CovidCareもそれを明かしている。
1) hs-cTnI, hs-CRP, 血小板数は最も致命的なバイオマーカーであり, 異常値は通常, 緊急の副作用を示す。
2)ガンマGT,AP,eGFRの正常値は,健康の全体的な改善を示す。
コビッドケアが抽出した医学的な発見は、人間の専門家や医学文献によって実証的に確認されている。
関連論文リスト
- SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
セプシスは米国での院内死亡の主な原因である。
既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。
限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-07-24T04:47:36Z) - Enabling Patient-side Disease Prediction via the Integration of Patient Narratives [9.14970943544095]
患者側から疾患予測を行うために,PoMP(Personalized Medical Disease Prediction)を提案する。
PoMPは、テキスト記述や人口統計情報を含む患者の健康物語を用いて病気を予測する。
我々は,Hodfの現実世界データを用いて,PoMPの有効性を示す広範囲な実験を行った。
論文 参考訳（メタデータ） (2024-05-05T13:54:02Z) - 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) - Explainable Machine Learning System for Predicting Chronic Kidney Disease in High-Risk Cardiovascular Patients [0.0]
本研究は,循環器疾患患者の慢性腎臓病(CKD)を予測できる機械学習システムを開発した。
ランダムフォレストモデルは88.2%の感度を達成した。
論文 参考訳（メタデータ） (2024-04-17T07:59:33Z) - Deep Neural Decision Forest: A Novel Approach for Predicting Recovery or Decease of Patients [1.0874223087191939]
本研究の目的は,深層学習アルゴリズムが患者の道徳を予測できるかどうかを検討することである。
臨床およびRT-PCRがどちらが信頼性が高いかを予測するための予測に与える影響について検討した。
その結果, RT-PCRを用いない臨床単独が, 80%の精度で最も効果的な診断方法であることが示唆された。
論文 参考訳（メタデータ） (2023-11-23T11:21:40Z) - Predicting Patient Readmission Risk from Medical Text via Knowledge
Graph Enhanced Multiview Graph Convolution [67.72545656557858]
本稿では,電子健康記録の医用テキストを予測に用いる新しい手法を提案する。
外部知識グラフによって強化された多視点グラフを有する患者の退院サマリーを表現している。
実験により,本手法の有効性が証明され,最先端の性能が得られた。
論文 参考訳（メタデータ） (2021-12-19T01:45:57Z) - 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) - 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) - Individualized Prediction of COVID-19 Adverse outcomes with MLHO [9.197411456718708]
我々は、反復的な特徴とアルゴリズムの選択を利用して健康状態を予測するエンドツーエンドの機械学習フレームワークを開発した。
入院前患者の健康状態と人口統計を表わす特徴として,約600点を用いた4つの有害な結果のモデル化を行った。
以上の結果から, 人口統計学的変数は, 新型コロナウイルス感染後の副作用の予測因子として重要であるが, 過去の臨床記録の組み入れは, 信頼性の高い予測モデルに欠かせないことが示唆された。
論文 参考訳（メタデータ） (2020-08-10T02:44:52Z) - Integrative Analysis for COVID-19 Patient Outcome Prediction [53.11258640541513]
我々は、集中治療室入院の必要性を予測するために、人口統計、バイタルサイン、実験室の所見から、肺不透明度の放射能と非画像の特徴を組み合わせる。
また, 地域性肺炎を含む他の肺疾患にも適用できるが, 地域性肺炎に限らない。
論文 参考訳（メタデータ） (2020-07-20T19:08:50Z) - Hemogram Data as a Tool for Decision-making in COVID-19 Management:
Applications to Resource Scarcity Scenarios [62.997667081978825]
新型コロナウイルス(COVID-19)のパンデミックは世界中の緊急対応システムに挑戦している。
本研究は, 症状患者の血液検査データから得られた機械学習モデルについて述べる。
提案されたモデルでは、新型コロナウイルスqRT-PCRの結果を、高い精度、感度、特異性で症状のある個人に予測することができる。
論文 参考訳（メタデータ） (2020-05-10T01:45:03Z)
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。