論文の概要: Identifying Risk of Opioid Use Disorder for Patients Taking Opioid
Medications with Deep Learning
- arxiv url: http://arxiv.org/abs/2010.04589v1
- Date: Fri, 9 Oct 2020 14:18:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-09 05:05:14.810786
- Title: Identifying Risk of Opioid Use Disorder for Patients Taking Opioid
Medications with Deep Learning
- Title（参考訳）: 深層学習用オピオイド服用患者におけるオピオイド使用障害のリスクの同定
- Authors: Xinyu Dong, Jianyuan Deng, Sina Rashidian, Kayley Abell-Hart, Wei Hou,
Richard N Rosenthal, Mary Saltz, Joel Saltz, Fusheng Wang
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 3.2663488776173573
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The United States is experiencing an opioid epidemic, and there were more
than 10 million opioid misusers aged 12 or older each year. Identifying
patients at high risk of Opioid Use Disorder (OUD) can help to make early
clinical interventions to reduce the risk of OUD. Our goal is to predict OUD
patients among opioid prescription users through analyzing electronic health
records with machine learning and deep learning methods. This will help us to
better understand the diagnoses of OUD, providing new insights on opioid
epidemic. Electronic health records of patients who have been prescribed with
medications containing active opioid ingredients were extracted from Cerner
Health Facts database between January 1, 2008 and December 31, 2017. Long
Short-Term Memory (LSTM) models were applied to predict opioid use disorder
risk in the future based on recent five encounters, and compared to Logistic
Regression, Random Forest, Decision Tree and Dense Neural Network. Prediction
performance was assessed using F-1 score, precision, recall, and AUROC. Our
temporal deep learning model provided promising prediction results which
outperformed other methods, with a F1 score of 0.8023 and AUCROC of 0.9369. The
model can identify OUD related medications and vital signs as important
features for the prediction. LSTM based temporal deep learning model is
effective on predicting opioid use disorder using a patient past history of
electronic health records, with minimal domain knowledge. It has potential to
improve clinical decision support for early intervention and prevention to
combat the opioid epidemic.
- Abstract（参考訳）: 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,オピオイド処方患者のうちオード患者を,機械学習と深層学習による電子健康記録分析により予測することである。
これは、OUDの診断をよりよく理解し、オピオイドの流行に関する新たな洞察を提供するのに役立つだろう。
2008年1月1日から2017年12月31日までにCerner Health Factsデータベースから活性オピオイド成分を含む薬剤を処方された患者の電子健康記録を抽出した。
長期記憶(LSTM)モデルは,近年の5回の出会いに基づいて,今後オピオイド使用障害のリスクを予測するために応用され,ロジスティック回帰,ランダムフォレスト,決定木,デンスニューラルネットワークと比較された。
予測性能はF-1スコア,精度,リコール,AUROCを用いて評価した。
時間的深層学習モデルでは,F1スコアが0.8023,AUCROCが0.9369,他の手法よりも優れた予測結果が得られた。
このモデルは、oud関連薬とバイタルサインを予測の重要な特徴として識別することができる。
lstmに基づく時間的深層学習モデルは、電子健康記録の過去履歴を用いたオピオイド使用障害の予測に有効であり、ドメイン知識は最小限である。
オピオイドの流行に対する早期介入と予防のための臨床決定支援を改善する可能性を秘めている。
関連論文リスト
- A Survey of Artificial Intelligence in Gait-Based Neurodegenerative Disease Diagnosis [51.07114445705692]
神経変性疾患(神経変性疾患、ND)は、伝統的に医学的診断とモニタリングのために広範囲の医療資源と人的努力を必要とする。
重要な疾患関連運動症状として、ヒトの歩行を利用して異なるNDを特徴づけることができる。
人工知能(AI)モデルの現在の進歩は、NDの識別と分類のための自動歩行分析を可能にする。
論文 参考訳（メタデータ） (2024-05-21T06:44:40Z) - Learning to Describe for Predicting Zero-shot Drug-Drug Interactions [54.172575323610175]
薬物と薬物の相互作用は同時投与の有効性を損なう可能性がある。
従来のDDI予測の計算手法では、知識不足のため、新しい薬物の相互作用を捉えることができない可能性がある。
言語モデルに基づくDDI予測器と強化学習(RL)に基づく情報セレクタを用いたテキストDDIを提案する。
論文 参考訳（メタデータ） (2024-03-13T09:42:46Z) - Enhancing Acute Kidney Injury Prediction through Integration of Drug
Features in Intensive Care Units [0.0]
急性腎障害(AKI)予測と腎障害薬との関連は, 治療現場ではまだ検討されていない。
そこで本研究では,患者処方データをモダリティとして活用し,既存のAKI予測モデルを改善する手法を提案する。
論文 参考訳（メタデータ） (2024-01-09T05:42:32Z) - Improving Opioid Use Disorder Risk Modelling through Behavioral and Genetic Feature Integration [3.524972282521988]
オピオイドは急性および慢性の痛みに対して効果的な鎮痛薬であるが、中毒のリスクを負い、毎年数百万のオピオイド使用障害(OUD)と数万の早死にを経験する。
我々は,OUDに関連する遺伝的変異をGPSとWi-Fiの時間座標から抽出した行動特徴と組み合わせ,OUDリスクを評価するための実験的設計と計算手法を開発した。
論文 参考訳（メタデータ） (2023-09-19T17:01:28Z) - Drug Synergistic Combinations Predictions via Large-Scale Pre-Training
and Graph Structure Learning [82.93806087715507]
薬物併用療法は、より有効で安全性の低い疾患治療のための確立された戦略である。
ディープラーニングモデルは、シナジスティックな組み合わせを発見する効率的な方法として登場した。
我々のフレームワークは、他のディープラーニングベースの手法と比較して最先端の結果を達成する。
論文 参考訳（メタデータ） (2023-01-14T15:07:43Z) - 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) - Individualized Risk Assessment of Preoperative Opioid Use by
Interpretable Neural Network Regression [6.474106608218618]
術前オピオイド使用は, 術前オピオイド需要の増加, 術後成績の悪化, 術後の医療利用と支出の増加に関連していると報告されている。
ディープニューラルネットワーク(DNN)は、その超高速な予測能力のために、リスク評価の強力な手段として登場した。
本稿では,統計モデルとDNNモデルの強みを組み合わせた新しい解釈型ニューラルネットワーク回帰(INNER)を提案する。
論文 参考訳（メタデータ） (2022-05-07T02:35:04Z) - 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) - Patient ADE Risk Prediction through Hierarchical Time-Aware Neural
Network Using Claim Codes [5.288589720985491]
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。
論文 参考訳（メタデータ） (2020-08-20T13:24:54Z) - Learning-based Computer-aided Prescription Model for Parkinson's
Disease: A Data-driven Perspective [61.70045118068213]
我々は、PD患者の症状と、神経科医が提供した処方薬を収集し、データセットを構築した。
そこで我々は、観察された症状と処方薬との関係を学習し、新しいコンピュータ支援処方薬モデルを構築した。
新来の患者に対しては、処方薬モデルにより、観察された症状に対して適切な処方薬を推奨できる(予測)。
論文 参考訳（メタデータ） (2020-07-31T14:34:35Z)
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。