論文の概要: Predicting future state for adaptive clinical pathway management
- arxiv url: http://arxiv.org/abs/2010.12027v2
- Date: Wed, 27 Jan 2021 20:38:27 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-28 05:13:20.093867
- Title: Predicting future state for adaptive clinical pathway management
- Title（参考訳）: 適応型臨床経路管理の現状と展望
- Authors: Hong Sun, D\"orthe Arndt, Jos De Roo and Erik Mannens
- Abstract要約: 本稿では,臨床経過における行動に基づいた状態変化をモデル化するための論理である重み付き状態遷移論理を導入する。
セマンティックWeb技術を用いた重み付け状態遷移ロジックの実装を提供する。
標的状態への臨床経路を生成できるだけでなく、将来の潜在的な衝突を検出することもできる。
- 参考スコア（独自算出の注目度）: 2.4775353203585797
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Clinical decision support systems are assisting physicians in providing care
to patients. However, in the context of clinical pathway management such
systems are rather limited as they only take the current state of the patient
into account and ignore the possible evolvement of that state in the future. In
the past decade, the availability of big data in the healthcare domain did open
a new era for clinical decision support. Machine learning technologies are now
widely used in the clinical domain, nevertheless, mostly as a tool for disease
prediction. A tool that not only predicts future states, but also enables
adaptive clinical pathway management based on these predictions is still in
need. This paper introduces weighted state transition logic, a logic to model
state changes based on actions planned in clinical pathways. Weighted state
transition logic extends linear logic by taking weights -- numerical values
indicating the quality of an action or an entire clinical pathway -- into
account. It allows us to predict the future states of a patient and it enables
adaptive clinical pathway management based on these predictions. We provide an
implementation of weighted state transition logic using semantic web
technologies, which makes it easy to integrate semantic data and rules as
background knowledge. Executed by a semantic reasoner, it is possible to
generate a clinical pathway towards a target state, as well as to detect
potential conflicts in the future when multiple pathways are coexisting. The
transitions from the current state to the predicted future state are traceable,
which builds trust from human users on the generated pathway.
- Abstract（参考訳）: 臨床意思決定支援システムは、患者にケアを提供する医師を支援する。
しかしながら、臨床経路管理の文脈では、これらのシステムは患者の現在の状態のみを考慮に入れ、将来その状態の進化の可能性を無視しているため、かなり制限されている。
過去10年間で、医療分野におけるビッグデータの活用は、臨床的な意思決定を支援する新しい時代を開いた。
機械学習技術は現在、臨床領域で広く使われているが、そのほとんどが病気の予測のためのツールである。
将来の状態を予測できるだけでなく、これらの予測に基づく適応的な臨床経路管理を可能にするツールはまだ必要である。
本稿では,臨床経路で計画された行動に基づいて状態変化をモデル化する論理である重み付き状態遷移論理を提案する。
重み付け状態遷移論理は、重み付け(アクションの品質を示す数値または臨床経路全体)を考慮に入れ、線形論理を拡張します。
患者の将来状態を予測し、これらの予測に基づいて適応的な臨床経路管理を可能にする。
我々は,セマンティックウェブ技術を用いた重み付け状態遷移論理の実装を提供し,意味データとルールを背景知識として容易に統合できるようにする。
セマンティック・アナライザーによって実行され、標的状態への臨床経路を生成するとともに、複数の経路が共存しているときに将来潜在的な衝突を検出することができる。
現在の状態から予測される将来の状態への遷移はトレース可能であり、生成されたパス上で人間のユーザからの信頼を構築する。
関連論文リスト
- Length of Stay prediction for Hospital Management using Domain
Adaptation [0.2624902795082451]
入院期間 (LoS) は, 入院の効率的な計画, リソースの割り当て, ケアの改善に利用することができる重要な管理指標である。
過去の患者データと機械学習技術を用いて、LoS予測モデルを開発することができる。
倫理的には、これらのモデルは単位頭部の代わりに患者の退院には使用できないが、効果的な病院計画のための病院管理システムには最も必要である。
論文 参考訳（メタデータ） (2023-06-29T09:58:21Z) - Counterfactual Explanations and Predictive Models to Enhance Clinical
Decision-Making in Schizophrenia using Digital Phenotyping [0.966840768820136]
統合失調症患者の症状の個人的変化を予測・検出・説明できる機械学習システムを提案する。
このシステムは、変更点アルゴリズムを用いて症状の減少を検知し、医療におけるシミュレーションされた継続的監視シナリオにおけるリコースとして反ファクト的説明を用いる。
論文 参考訳（メタデータ） (2023-06-06T19:33:03Z) - Interpretable Self-Aware Neural Networks for Robust Trajectory
Prediction [50.79827516897913]
本稿では,意味概念間で不確実性を分散する軌道予測のための解釈可能なパラダイムを提案する。
実世界の自動運転データに対する我々のアプローチを検証し、最先端のベースラインよりも優れた性能を示す。
論文 参考訳（メタデータ） (2022-11-16T06:28:20Z) - Can Current Explainability Help Provide References in Clinical Notes to
Support Humans Annotate Medical Codes? [53.45585591262433]
本稿では、注意スコアに基づくxRAC-ATTNと、モデルに依存しない知識蒸留に基づくxRAC-KDの2つのアプローチについて説明する。
我々は,xRAC-ATTNが強調した支持エビデンステキストが,xRAC-KDよりも高品質であるのに対して,xRAC-KDは本番環境において潜在的に有利であることを示した。
論文 参考訳（メタデータ） (2022-10-28T04:06:07Z) - Clinically-Inspired Multi-Agent Transformers for Disease Trajectory
Forecasting from Multimodal Data [13.766035805437847]
予測問題を一対多の予測問題として定式化する。
2つのエージェントによる臨床的意思決定プロセスにインスパイアされ、2つのトランスフォーマーベースコンポーネントによる予後を予測する。
本研究は, 変形性膝関節症の発生を予測し, 生のマルチモーダルデータから直接アルツハイマー病の臨床像を予測するためのアプローチの有効性を示す。
論文 参考訳（メタデータ） (2022-10-25T10:16:42Z) - Stochastic Trajectory Prediction via Motion Indeterminacy Diffusion [88.45326906116165]
運動不確定性拡散(MID)の逆過程として軌道予測タスクを定式化する新しい枠組みを提案する。
我々は,履歴行動情報と社会的相互作用を状態埋め込みとしてエンコードし,トランジトリの時間的依存性を捉えるためにトランスフォーマーに基づく拡散モデルを考案する。
スタンフォード・ドローンやETH/UCYデータセットなど,人間の軌道予測ベンチマーク実験により,本手法の優位性を実証した。
論文 参考訳（メタデータ） (2022-03-25T16:59:08Z) - Medical Dead-ends and Learning to Identify High-risk States and
Treatments [7.821495984906274]
状態空間のデッドエンドの可能性を特定する、本質的に異なるアプローチを導入します。
集中治療室の患者の状態に焦点をあて, 医療死亡者」は, 将来的な治療シーケンスによらず, 患者が退院することを示す。
論文 参考訳（メタデータ） (2021-10-08T15:13:20Z) - 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) - C-Learning: Learning to Achieve Goals via Recursive Classification [163.7610618571879]
自律エージェントの将来の状態分布を予測・制御する問題について検討する。
我々の研究は、密度推定としてゴール条件付きRLの基礎を定めている。
論文 参考訳（メタデータ） (2020-11-17T19:58:56Z) - 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。