論文の概要: Improving information retrieval from electronic health records using
dynamic and multi-collaborative filtering
- arxiv url: http://arxiv.org/abs/2008.05399v1
- Date: Wed, 12 Aug 2020 15:46:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-31 06:14:43.828153
- Title: Improving information retrieval from electronic health records using
dynamic and multi-collaborative filtering
- Title（参考訳）: 動的・複数協調フィルタリングによる電子健康記録からの情報検索の改善
- Authors: Ziwei Fan, Evan Burgun, Zhiyun Ren, Titus Schleyer, Xia Ning
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 2.099922236065961
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Due to the rapid growth of information available about individual patients,
most physicians suffer from information overload when they review patient
information in health information technology systems. In this manuscript, we
present a novel hybrid dynamic and multi-collaborative filtering method to
improve information retrieval from electronic health records. This method
recommends relevant information from electronic health records for physicians
during patient visits. It models information search dynamics using a Markov
model. It also leverages the key idea of collaborative filtering, originating
from Recommender Systems, to prioritize information based on various
similarities among physicians, patients and information items. We tested this
new method using real electronic health record data from the Indiana Network
for Patient Care. Our experimental results demonstrated that for 46.7% of
testing cases, this new method is able to correctly prioritize relevant
information among top-5 recommendations that physicians are truly interested
in.
- Abstract（参考訳）: 個々の患者に関する情報が急速に増えたため、ほとんどの医師は医療情報システムで患者の情報をレビューする際に情報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,ハイブリッドな動的・複数協調フィルタリング手法を提案する。
患者訪問中の医師の電子的健康記録から関連する情報を推薦する。
マルコフモデルを用いて情報探索ダイナミクスをモデル化する。
また、Recommender Systemsを起源とする協調フィルタリングの鍵となるアイデアを活用して、医師、患者、情報項目間の様々な類似性に基づいて情報を優先順位付けする。
この新手法をインディアナ・ネットワークの患者ケア用電子カルテデータを用いて検証した。
実験の結果,46.7%の症例において,本手法は医師が本当に関心を持っていると思われるトップ5の勧告のうち,関連情報を正しく優先順位付けすることができることがわかった。
関連論文リスト
- Potential Renovation of Information Search Process with the Power of Large Language Model for Healthcare [0.0]
本稿では,6段階情報探索モデルの開発と,LLM(Large Language Model)を利用した医療用情報探索プロセス(ISP)の適用による拡張について検討する。
論文 参考訳（メタデータ） (2024-06-29T07:00:47Z) - STLLaVA-Med: Self-Training Large Language and Vision Assistant for Medical Question-Answering [58.79671189792399]
STLLaVA-Medは、医療ビジュアルインストラクションデータを自動生成できるポリシーモデルを訓練するために設計されている。
STLLaVA-Medの有効性とデータ効率を3つの主要な医用視覚質問応答(VQA)ベンチマークで検証した。
論文 参考訳（メタデータ） (2024-06-28T15:01:23Z) - 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) - Towards more patient friendly clinical notes through language models and
ontologies [57.51898902864543]
本稿では,単語の単純化と言語モデリングに基づく医療用テキストの自動作成手法を提案する。
我々は,公開医療文のデータセットペアと,臨床医による簡易化版を用いている。
本手法は,医学フォーラムデータに基づく言語モデルを用いて,文法と本来の意味の両方を保存しながら,より単純な文を生成する。
論文 参考訳（メタデータ） (2021-12-23T16:11:19Z) - Towards Integrative Multi-Modal Personal Health Navigation Systems:
Framework and Application [3.9021888281943173]
一般化されたPersonal Health Navigation (PHN) フレームワークを提案する。
PHNは個人を、データストリームを永久に消化するシステムを通じて、個人の健康目標に向かっている。
我々は、心臓科領域における2つの実験でPHNシステムをテストする。
論文 参考訳（メタデータ） (2021-11-16T09:34:54Z) - How to Leverage Multimodal EHR Data for Better Medical Predictions? [13.401754962583771]
電子健康記録(EHR)データの複雑さは、ディープラーニングの適用の課題である。
本稿では,まずEHRから臨床ノートを抽出し,これらのデータを統合する方法を提案する。
2つの医療予測タスクの結果、異なるデータを持つ融合モデルが最先端の手法より優れていることが示された。
論文 参考訳（メタデータ） (2021-10-29T13:26:05Z) - Soft-Label Anonymous Gastric X-ray Image Distillation [49.24576562557866]
本稿では,勾配降下法に基づく軟式ラベル匿名胃X線画像蒸留法を提案する。
実験の結果,提案手法は医療データセットを効果的に圧縮するだけでなく,患者の個人情報を保護するために医療画像の匿名化も可能であることがわかった。
論文 参考訳（メタデータ） (2021-04-07T02:04:12Z) - MedDG: An Entity-Centric Medical Consultation Dataset for Entity-Aware
Medical Dialogue Generation [86.38736781043109]
MedDGという12種類の消化器疾患に関連する大規模医用対話データセットを構築し,公開する。
MedDGデータセットに基づく2種類の医療対話タスクを提案する。1つは次のエンティティ予測であり、もう1つは医師の反応生成である。
実験結果から,プレトレイン言語モデルと他のベースラインは,両方のタスクに苦戦し,データセットの性能が劣ることがわかった。
論文 参考訳（メタデータ） (2020-10-15T03:34:33Z) - PREMIER: Personalized REcommendation for Medical prescrIptions from
Electronic Records [8.365167718547296]
われわれは、PreMIERと呼ばれる2段階の注意に基づくパーソナライズド医薬品レコメンデーションシステムを設計する。
本システムでは,患者に対する副作用を最小限に抑えるため,薬物間の相互作用を考慮に入れている。
MIMIC-IIIと独自の外来データセットの実験結果から、PreMIERは最先端の医薬品推奨システムより優れていることが示された。
論文 参考訳（メタデータ） (2020-08-28T04:48:32Z) - Hybrid Collaborative Filtering Models for Clinical Search Recommendation [5.396281484116187]
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。
論文 参考訳（メタデータ） (2020-07-19T19:25:00Z) - A Survey on Knowledge Graph-Based Recommender Systems [65.50486149662564]
我々は知識グラフに基づく推薦システムの体系的な調査を行う。
論文は、知識グラフを正確かつ説明可能なレコメンデーションにどのように活用するかに焦点を当てる。
これらの作業で使用されるデータセットを紹介します。
論文 参考訳（メタデータ） (2020-02-28T02:26:30Z)
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。