論文の概要: BiteNet: Bidirectional Temporal Encoder Network to Predict Medical Outcomes

• arxiv url: http://arxiv.org/abs/2009.13252v1
• Date: Thu, 24 Sep 2020 00:42:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-15 03:55:48.189205
• Title: BiteNet: Bidirectional Temporal Encoder Network to Predict Medical Outcomes
• Title（参考訳）: BiteNet:医療成果を予測する双方向テンポラルエンコーダネットワーク
• Authors: Xueping Peng, Guodong Long, Tao Shen, Sen Wang, Jing Jiang, Chengqi Zhang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 53.163089893876645
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Electronic health records (EHRs) are longitudinal records of a patient's interactions with healthcare systems. A patient's EHR data is organized as a three-level hierarchy from top to bottom: patient journey - all the experiences of diagnoses and treatments over a period of time; individual visit - a set of medical codes in a particular visit; and medical code - a specific record in the form of medical codes. As EHRs begin to amass in millions, the potential benefits, which these data might hold for medical research and medical outcome prediction, are staggering - including, for example, predicting future admissions to hospitals, diagnosing illnesses or determining the efficacy of medical treatments. Each of these analytics tasks requires a domain knowledge extraction method to transform the hierarchical patient journey into a vector representation for further prediction procedure. The representations should embed a sequence of visits and a set of medical codes with a specific timestamp, which are crucial to any downstream prediction tasks. Hence, expressively powerful representations are appealing to boost learning performance. To this end, we propose a novel self-attention mechanism that captures the contextual dependency and temporal relationships within a patient's healthcare journey. An end-to-end bidirectional temporal encoder network (BiteNet) then learns representations of the patient's journeys, based solely on the proposed attention mechanism. We have evaluated the effectiveness of our methods on two supervised prediction and two unsupervised clustering tasks with a real-world EHR dataset. The empirical results demonstrate the proposed BiteNet model produces higher-quality representations than state-of-the-art baseline methods.
• Abstract（参考訳）: EHR(Electronic Health Record)は、患者の医療システムとの相互作用の経時的記録である。 患者のEHRデータは、トップからボトムまでの3段階の階層として構成されている: 患者旅行 - ある期間にわたる診断と治療の経験、個人訪問 - 特定の訪問の医療コード、医療コード - 医療コード - 医療コード - の形での特定の記録。 EHRが何百万もの人的資源を蓄積し始めるにつれ、医療研究や医療結果の予測のためにこれらのデータが持つ潜在的な利益は、例えば病院への将来の入院の予測、病気の診断、医療効果の判断など、停滞している。 これらの分析タスクはそれぞれ、階層的な患者の旅路をベクトル表現に変換するためのドメイン知識抽出法を必要とする。 これらの表現は、ダウンストリームの予測タスクに不可欠な特定のタイムスタンプで、一連の訪問と一連の医療コードを埋め込む必要がある。 したがって、表現力に富んだ表現は、学習性能を高めるために魅力的である。 そこで本研究では,患者の医療旅行におけるコンテキスト依存性と時間的関係を捉える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)は、提案する注意機構のみに基づいて、患者の旅の表現を学習する。 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。 その結果,提案手法は最先端のベースライン法よりも高品質な表現を生成することがわかった。

関連論文リスト

• Next Visit Diagnosis Prediction via Medical Code-Centric Multimodal Contrastive EHR Modelling with Hierarchical Regularisation [0.0]
  NECHOは,階層的正規化を伴う新しい医用コード中心のマルチモーダル・コントラスト学習フレームワークである。 まず, 医用コード, 人口統計, 臨床ノートを含む多面的情報をネットワーク設計を用いて統合する。 また,EHRデータの階層構造を学習するために,医療オントロジーにおける親レベル情報を用いてモダリティ固有のエンコーダを正規化する。
  論文  参考訳（メタデータ） (2024-01-22T01:58:32Z)
• Clairvoyance: A Pipeline Toolkit for Medical Time Series [95.22483029602921]
  時系列学習は、データ駆動の*クリニカルな意思決定支援のパンとバターである* Clairvoyanceは、ソフトウェアツールキットとして機能する、統合されたエンドツーエンドのオートMLフレンドリなパイプラインを提案する。 Clairvoyanceは、臨床時系列MLのための包括的で自動化可能なパイプラインの生存可能性を示す最初のものである。
  論文  参考訳（メタデータ） (2023-10-28T12:08:03Z)
• 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)
• Sequential Diagnosis Prediction with Transformer and Ontological Representation [35.88195694025553]
  本稿では,患者が訪問する時間スタンプと滞在時間との間に不規則な間隔を対応させるSETORと呼ばれる,エンドツーエンドの頑健なトランスフォーマーモデルを提案する。 2つの実世界の医療データセットで実施された実験により、シーケンシャルな診断予測モデルSETORは、従来の最先端のアプローチよりも優れた予測結果が得られることが示された。
  論文  参考訳（メタデータ） (2021-09-07T13:09:55Z)
• 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)
• Self-Supervised Graph Learning with Hyperbolic Embedding for Temporal Health Event Prediction [13.24834156675212]
  本稿では,情報フローを組み込んだハイパーボリック埋め込み手法を提案する。 我々は、これらの事前学習された表現をグラフニューラルネットワークに組み込んで、疾患の合併症を検出する。 本稿では,EHRデータを完全に活用する自己教師付き学習フレームワークに,階層型で強化された履歴予測代行タスクを提案する。
  論文  参考訳（メタデータ） (2021-06-09T00:42:44Z)
• Semi-Supervised Variational Reasoning for Medical Dialogue Generation [70.838542865384]
  医療対話生成には,患者の状態と医師の行動の2つの重要な特徴がある。 医療対話生成のためのエンドツーエンドの変分推論手法を提案する。 行動分類器と2つの推論検出器から構成される医師政策ネットワークは、拡張推論能力のために提案される。
  論文  参考訳（メタデータ） (2021-05-13T04:14:35Z)
• Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
  臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。 退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。 複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
  論文  参考訳（メタデータ） (2021-02-08T10:26:44Z)
• Self-Attention Enhanced Patient Journey Understanding in Healthcare System [43.11457142941327]
  MusaNetは、長い活動の連続である患者旅行の表現を学ぶように設計されている。 MusaNetは、EHRから派生したトレーニングデータを使用して、エンドツーエンドでトレーニングされる。 提案したMusaNetは最先端のベースライン法よりも高品質な表現を実現している。
  論文  参考訳（メタデータ） (2020-06-15T10:32:36Z)

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。