論文の概要: Hybrid Collaborative Filtering Models for Clinical Search Recommendation

• arxiv url: http://arxiv.org/abs/2008.01193v1
• Date: Sun, 19 Jul 2020 19:25:00 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-09 00:51:47.369314
• Title: Hybrid Collaborative Filtering Models for Clinical Search Recommendation
• Title（参考訳）: 臨床検索勧告のためのハイブリッド協調フィルタリングモデル
• Authors: Zhiyun Ren, Bo Peng, Titus K. Schleyer and Xia Ning
• Abstract要約: 患者との出会いと検索項情報を用いたハイブリッド協調フィルタリングモデルを構築した。 各患者に対して、このモデルは、最新のICDコードと高い共起周波数を持つか、または、この患者の最新の検索条件に非常に関連がある用語を推奨する。
• 参考スコア（独自算出の注目度）: 5.396281484116187
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With increasing and extensive use of electronic health records, clinicians are often under time pressure when they need to retrieve important information efficiently among large amounts of patients' health records in clinics. While a search function can be a useful alternative to browsing through a patient's record, it is cumbersome for clinicians to search repeatedly for the same or similar information on similar patients. Under such circumstances, there is a critical need to build effective recommender systems that can generate accurate search term recommendations for clinicians. In this manuscript, we developed a hybrid collaborative filtering model using patients' encounter and search term information to recommend the next search terms for clinicians to retrieve important information fast in clinics. For each patient, the model will recommend terms that either have high co-occurrence frequencies with his/her most recent ICD codes or are highly relevant to the most recent search terms on this patient. We have conducted comprehensive experiments to evaluate the proposed model, and the experimental results demonstrate that our model can outperform all the state-of-the-art baseline methods for top-N search term recommendation on different datasets.
• Abstract（参考訳）: 電子カルテの利用が増加し、臨床医は、診療所における大量の患者の健康記録の中で、重要な情報を効率的に取得する必要がある場合、しばしば時間的プレッシャーを受ける。 検索機能は患者の記録を閲覧するのに有用であるが、臨床医が類似した患者について同じまたは類似した情報を何度も検索するのは面倒である。 このような状況下では、臨床医の正確な検索用語推奨を生成する効果的なレコメンデーションシステムを構築する必要がある。 そこで本論文では,患者との出会いと検索語情報を用いた協調的フィルタリングモデルを構築し,臨床医が診療所における重要な情報を迅速に検索できるように,次の検索語を推奨する。 各患者に対して、このモデルでは、最新のICDコードと高い共起周波数を持つか、または、この患者の最新の検索条件に非常に関連がある用語を推奨する。 提案したモデルを評価するための総合的な実験を行い、実験結果により、各データセットにおけるトップN検索項推薦のための最先端のベースライン手法を全て上回る結果が得られた。

関連論文リスト

• PRISM: Patient Records Interpretation for Semantic Clinical Trial Matching using Large Language Models [4.438101430231511]
  本報告では,実世界のERHを用いた臨床治験の大規模評価について述べる。 本研究は, LLMsが適切な臨床試験で患者に正確に適合する能力を示すものである。
  論文  参考訳（メタデータ） (2024-04-23T22:33:19Z)
• 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)
• TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic Tree-Based Memory Network [54.332862955411656]
  臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。 近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。 本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
  論文  参考訳（メタデータ） (2023-07-19T12:35:09Z)
• Utilizing ChatGPT to Enhance Clinical Trial Enrollment [2.3551878971309947]
  本稿では,大規模言語モデルであるChatGPTを用いて患者関連情報を非構造化臨床ノートから抽出する自動アプローチを提案する。 2つのベンチマーク検索コレクションで実施した経験的評価では,既存手法と比較して検索性能が向上した。 以上の結果から,ChatGPTを医療サービスの品質を確保し,患者への直接的なリスクを最小限に抑えつつ,臨床治験の増進に活用する可能性が示唆された。
  論文  参考訳（メタデータ） (2023-06-03T10:54:23Z)
• Large Language Models for Healthcare Data Augmentation: An Example on Patient-Trial Matching [49.78442796596806]
  患者-心電図マッチング(LLM-PTM)のための革新的なプライバシ対応データ拡張手法を提案する。 本実験では, LLM-PTM法を用いて平均性能を7.32%向上させ, 新しいデータへの一般化性を12.12%向上させた。
  論文  参考訳（メタデータ） (2023-03-24T03:14:00Z)
• An Ensemble Approach for Patient Prognosis of Head and Neck Tumor Using Multimodal Data [0.0]
  頭頸部腫瘍の予後を予測するために,深層マルチタスクロジスティック回帰(MTLR),コックス比重ハザード(CoxPH),CNNモデルを組み込んだマルチモーダルネットワークを提案する。 提案手法は,HECKTORテストセットのC-インデックス0.72を達成し,HECKTORチャレンジの予後タスクにおける第1位を救った。
  論文  参考訳（メタデータ） (2022-02-25T07:50:59Z)
• 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)
• Biomedical Concept Relatedness -- A large EHR-based benchmark [10.133874724214984]
  医療へのAIの有望な応用は、電子健康記録から情報を取得することである。 このようなアプリケーションに対するAI手法の適合性は、概念の関連性を既知の関連性スコアで予測することによって検証される。 既存の医療概念関連データセットはすべて小さく、手書きのコンセプトペアで構成されている。 これらの問題を克服する新しい概念関連性ベンチマークをオープンソースとして公開しています。
  論文  参考訳（メタデータ） (2020-10-30T12:20:18Z)
• Improving information retrieval from electronic health records using dynamic and multi-collaborative filtering [2.099922236065961]
  ほとんどの医師は、医療技術システムで患者の情報をレビューする際に、情報の過負荷に悩まされる。 本稿では,電子カルテからの情報検索を改善するために,ハイブリッド・ダイナミック・マルチコラボレーティブ・フィルタリング手法を提案する。
  論文  参考訳（メタデータ） (2020-08-12T15:46:33Z)
• COMPOSE: Cross-Modal Pseudo-Siamese Network for Patient Trial Matching [70.08786840301435]
  本稿では, CrOss-Modal PseudO-SiamEse Network (COMPOSE) を提案する。 実験の結果,患者基準マッチングでは98.0%,患者基準マッチングでは83.7%の精度でAUCに到達できることがわかった。
  論文  参考訳（メタデータ） (2020-06-15T21:01:33Z)
• 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。