Fugu-MT 論文翻訳(概要): Patient ADE Risk Prediction through Hierarchical Time-Aware Neural Network Using Claim Codes

論文の概要: Patient ADE Risk Prediction through Hierarchical Time-Aware Neural Network Using Claim Codes

arxiv url: http://arxiv.org/abs/2008.08957v1
Date: Thu, 20 Aug 2020 13:24:54 GMT
ステータス: 処理完了
システム内更新日: 2022-10-27 02:56:53.266987
Title: Patient ADE Risk Prediction through Hierarchical Time-Aware Neural Network Using Claim Codes
Title（参考訳）: クレーム符号を用いた階層型時間認識ニューラルネットワークによるリスク予測
Authors: Jinhe Shi, Xiangyu Gao, Chenyu Ha, Yage Wang, Guodong Gao, Yi Chen
Abstract要約: 本研究の目的は、クレームコードに記録された患者医療履歴に基づいて、標的薬剤が標的患者に誘導するパーソナライズされたADEリスクを評価することである。我々は,クレームコードの特徴とそれらの関係を捉えるHTNNRモデル(階層的時間認識ニューラルネットワーク for ADE Risk)を開発した。
参考スコア（独自算出の注目度）: 5.288589720985491
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Adverse drug events (ADEs) are a serious health problem that can be life-threatening. While a lot of studies have been performed on detect correlation between a drug and an AE, limited studies have been conducted on personalized ADE risk prediction. Among treatment alternatives, avoiding the drug that has high likelihood of causing severe AE can help physicians to provide safer treatment to patients. Existing work on personalized ADE risk prediction uses the information obtained in the current medical visit. However, on the other hand, medical history reveals each patient's unique characteristics and comprehensive medical information. The goal of this study is to assess personalized ADE risks that a target drug may induce on a target patient, based on patient medical history recorded in claims codes, which provide information about diagnosis, drugs taken, related medical supplies besides billing information. We developed a HTNNR model (Hierarchical Time-aware Neural Network for ADE Risk) that capture characteristics of claim codes and their relationship. The empirical evaluation show that the proposed HTNNR model substantially outperforms the comparison methods, especially for rare drugs.
Abstract（参考訳）: 逆薬物イベント(ADEs)は、生命を脅かす深刻な健康問題である。薬物とaeの相関を検出するために多くの研究が行われてきたが、パーソナライズされたadeリスク予測に関する限られた研究が行われている。治療法としては、重度のAEを引き起こす可能性が高い薬物を避けることで、医師が患者に安全な治療を提供するのに役立つ。パーソナライズされたADEリスク予測に関する既存の作業は、現在の医療訪問で得られた情報を利用する。一方,医療史では,各患者の特徴や包括的医療情報も明らかにされている。本研究の目的は、請求コードに記録された患者医療履歴に基づいて、標的薬剤が標的患者に誘導するパーソナライズドADEリスクを評価し、請求情報以外の診断、薬物、関連医療用品に関する情報を提供することである。我々は,クレームコードの特徴とその関係を捉えるhtnnrモデル(階層的時間認識ニューラルネットワーク for ade risk)を開発した。実験により, 提案したHTNNRモデルは, 特に希少薬物において比較法を著しく上回っていることが示された。

関連論文リスト

CT-ADE: An Evaluation Benchmark for Adverse Drug Event Prediction from Clinical Trial Results [0.10051474951635876]
副作用薬物イベント(ADE)は臨床研究に大きな影響を与え、多くの臨床試験失敗を引き起こした。この取り組みを支援するために,単薬理治療におけるADEのマルチラベル予測モデルであるCT-ADEを導入する。 CT-ADEは、臨床試験から抽出された168,984種類の薬物とADEのペアを含む2,497種類のユニークな薬物のデータを統合する。
論文参考訳（メタデータ） (2024-04-19T12:04:32Z)
MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
論文参考訳（メタデータ） (2023-10-04T01:36:30Z)
Contrastive Learning-based Imputation-Prediction Networks for In-hospital Mortality Risk Modeling using EHRs [9.578930989075035]
本稿では, EHRデータを用いた病院内死亡リスク予測のための, 対照的な学習ベース予測ネットワークを提案する。本研究は, グラフ解析に基づく患者層形成モデルを用いて, 似通った患者をグループ化する手法を提案する。 2つの実世界のEHRデータセットの実験により、我々のアプローチは、計算タスクと予測タスクの両方において最先端のアプローチよりも優れていることが示された。
論文参考訳（メタデータ） (2023-08-19T03:24:34Z)
Informing clinical assessment by contextualizing post-hoc explanations of risk prediction models in type-2 diabetes [50.8044927215346]
本研究は, 合併症リスク予測のシナリオを考察し, 患者の臨床状態に関する文脈に焦点を当てる。我々は、リスク予測モデル推論に関する文脈を提示し、その受容性を評価するために、最先端のLLMをいくつか採用する。本論文は,実世界における臨床症例における文脈説明の有効性と有用性を明らかにする最初のエンドツーエンド分析の1つである。
論文参考訳（メタデータ） (2023-02-11T18:07:11Z)
Integrated Convolutional and Recurrent Neural Networks for Health Risk Prediction using Patient Journey Data with Many Missing Values [9.418011774179794]
本稿では,統合畳み込みニューラルネットワークとリカレントニューラルネットワークを用いたEMH患者旅行データモデリングのためのエンドツーエンドアプローチを提案する。本モデルでは,各患者旅行における長期的・短期的時間的パターンを抽出し,インパルスデータ生成を伴わずに,高レベルのEHRデータの欠落を効果的に処理することができる。
論文参考訳（メタデータ） (2022-11-11T07:36:18Z)
Knowledge-Driven New Drug Recommendation [88.35607943144261]
既存の薬物と新薬のギャップを埋めるために, 薬物依存型マルチフェノタイプ数発学習機を開発した。 EDGEは外部薬効知識ベースを用いて偽陰性監視信号を除去する。その結果, EDGEは, ROC-AUCスコアよりも7.3%向上していることがわかった。
論文参考訳（メタデータ） (2022-10-11T16:07:52Z)
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)
HINT: Hierarchical Interaction Network for Trial Outcome Prediction Leveraging Web Data [56.53715632642495]
臨床試験は、有効性、安全性、または患者採用の問題により、不確実な結果に直面する。本稿では,より一般的な臨床試験結果予測のための階層型Interaction Network(HINT)を提案する。
論文参考訳（メタデータ） (2021-02-08T15:09:07Z)
Interpretable Disease Prediction based on Reinforcement Path Reasoning over Knowledge Graphs [15.339137501579087]
疾患予測タスクを知識グラフ(KG)に沿ってランダムウォークとして定式化した。我々は, 病因と危険因子との関係を, 検証された医療知識に基づいて記録するKGを構築した。対象物によって生成された軌跡は、所定の患者の解釈可能な疾患進行経路を表す。
論文参考訳（メタデータ） (2020-10-16T10:46:28Z)
Identifying Risk of Opioid Use Disorder for Patients Taking Opioid Medications with Deep Learning [3.2663488776173573]
米国ではオピオイドが流行しており、毎年12歳以上で1000万人以上のオピオイド誤用者がいた。オピオイド使用障害(OUD)のリスクが高い患者を同定することは、OUDのリスクを低減する早期臨床介入に役立つ。本研究の目的は,オピオイド処方薬使用者のOUD患者を,機械学習と深層学習による電子健康記録の分析により予測することである。
論文参考訳（メタデータ） (2020-10-09T14:18:07Z)
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)

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。