論文の概要: Graph representation forecasting of patient's medical conditions:
towards a digital twin
- arxiv url: http://arxiv.org/abs/2009.08299v1
- Date: Thu, 17 Sep 2020 13:49:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-17 08:34:03.967874
- Title: Graph representation forecasting of patient's medical conditions:
towards a digital twin
- Title（参考訳）: 患者の医療状況のグラフ表現 : デジタル双生児に向けて
- Authors: Pietro Barbiero, Ramon Vi\~nas Torn\'e, Pietro Li\'o
- Abstract要約: 複数組織におけるACE2過剰発現が心血管機能に及ぼす影響について検討した。
本稿では,分子データを用いた大規模な構成可能な臨床モデルの統合という概念の実証を行う。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Objective: Modern medicine needs to shift from a wait and react, curative
discipline to a preventative, interdisciplinary science aiming at providing
personalised, systemic and precise treatment plans to patients. The aim of this
work is to present how the integration of machine learning approaches with
mechanistic computational modelling could yield a reliable infrastructure to
run probabilistic simulations where the entire organism is considered as a
whole. Methods: We propose a general framework that composes advanced AI
approaches and integrates mathematical modelling in order to provide a
panoramic view over current and future physiological conditions. The proposed
architecture is based on a graph neural network (GNNs) forecasting clinically
relevant endpoints (such as blood pressure) and a generative adversarial
network (GANs) providing a proof of concept of transcriptomic integrability.
Results: We show the results of the investigation of pathological effects of
overexpression of ACE2 across different signalling pathways in multiple tissues
on cardiovascular functions. We provide a proof of concept of integrating a
large set of composable clinical models using molecular data to drive local and
global clinical parameters and derive future trajectories representing the
evolution of the physiological state of the patient. Significance: We argue
that the graph representation of a computational patient has potential to solve
important technological challenges in integrating multiscale computational
modelling with AI. We believe that this work represents a step forward towards
a healthcare digital twin.
- Abstract（参考訳）: 目的: 近代医学は、患者にパーソナライズされた、体系的で正確な治療計画を提供することを目的とした、待機と反応、治療の規律から、予防的で学際的な科学に移行する必要がある。
この研究の目的は、機械学習アプローチと機械計算モデリングの統合が、有機体全体を全体と見なす確率論的シミュレーションを実行するための信頼性の高いインフラをいかに生み出すかを示すことである。
方法: 先進的なAIアプローチを構成し, 数学的モデリングを統合した一般的なフレームワークを提案し, 現状と今後の生理的条件に対するパノラマ的な視点を提供する。
提案アーキテクチャは、臨床関連エンドポイント(血圧など)を予測するグラフニューラルネットワーク(GNN)と、転写可積分性の概念の証明を提供する生成逆ネットワーク(GAN)に基づいている。
結果: 各種組織におけるACE2の過剰発現が心血管機能に及ぼす影響について検討した。
分子データを用いて構成可能な大規模な臨床モデルを統合し、局所的およびグローバルな臨床パラメータを駆動し、患者の生理状態の進化を表す将来の軌跡を導出する概念を実証する。
意義:我々は,計算患者のグラフ表現は,AIとマルチスケール計算モデルを統合する上で重要な技術的課題を解決する可能性があると論じる。
この研究は、ヘルスケアのデジタル双子への一歩だと信じています。
関連論文リスト
- Investigation of Customized Medical Decision Algorithms Utilizing Graph Neural Networks [15.04251924479172]
本稿では,グラフニューラルネットワーク(GNN)を用いた個人化医療意思決定アルゴリズムを提案する。
提案アルゴリズムは, 疾患予測精度, 治療効果評価, 患者リスク階層化の点で, 高い性能を示した。
論文 参考訳（メタデータ） (2024-05-23T04:30:41Z) - Graph AI in Medicine [9.733108180046555]
グラフニューラルネットワーク(GNN)は、関係によって相互接続されたノードとしてモダリティを視聴することで、データを一様に処理する。
GNNは、グラフ関係で定義された局所的なニューラル変換を通じて情報をキャプチャする。
知識グラフは、モデル駆動の洞察と医療知識を整合させることで、解釈可能性を高めることができる。
論文 参考訳（メタデータ） (2023-10-20T19:01:01Z) - Digital Twins for Patient Care via Knowledge Graphs and Closed-Form
Continuous-Time Liquid Neural Networks [0.0]
デジタル双生児は、製造業、サプライチェーンのロジスティクス、土木インフラなどの産業で急速に勢いを増している。
マルチモーダル患者データを用いた複雑な疾患のモデル化の課題と、その解析の複雑さは、生体医療分野におけるデジタル双生児の採用を阻害している。
本稿では,計算コストとモデリング複雑さによる臨床双対モデリングの障壁に対処する新しい枠組みを提案する。
論文 参考訳（メタデータ） (2023-07-08T12:52:31Z) - Modelling Patient Trajectories Using Multimodal Information [0.0]
本稿では,異なる種類の情報を組み合わせて臨床データの時間的側面を考慮した患者軌跡のモデル化手法を提案する。
本手法は, 予期せぬ患者寛解と疾患進行の2つの異なる臨床結果に基づいて検討した。
論文 参考訳（メタデータ） (2022-09-09T10:20:54Z) - EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。
メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
論文 参考訳（メタデータ） (2022-02-21T18:59:03Z) - 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) - Multimodal Semantic Scene Graphs for Holistic Modeling of Surgical
Procedures [70.69948035469467]
カメラビューから3Dグラフを生成するための最新のコンピュータビジョン手法を利用する。
次に,手術手順の象徴的,意味的表現を統一することを目的としたマルチモーダルセマンティックグラフシーン(MSSG)を紹介する。
論文 参考訳（メタデータ） (2021-06-09T14:35:44Z) - Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。
共通情報と相補情報の両方を敵意で抽出することを目的としている。
特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
論文 参考訳（メタデータ） (2021-02-15T18:46:44Z) - 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) - Learning Dynamic and Personalized Comorbidity Networks from Event Data
using Deep Diffusion Processes [102.02672176520382]
コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。
電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。
我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
論文 参考訳（メタデータ） (2020-01-08T15:47:08Z)
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。