論文の概要: Personalized Multimorbidity Management for Patients with Type 2 Diabetes
Using Reinforcement Learning of Electronic Health Records
- arxiv url: http://arxiv.org/abs/2011.02287v1
- Date: Thu, 29 Oct 2020 00:58:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-01 23:54:59.515281
- Title: Personalized Multimorbidity Management for Patients with Type 2 Diabetes
Using Reinforcement Learning of Electronic Health Records
- Title(参考訳): 電子健康記録の強化学習を用いた2型糖尿病患者のパーソナライズドマルチモルビディティ管理
- Authors: Hua Zheng, Ilya O. Ryzhov, Wei Xie, and Judy Zhong
- Abstract要約: 我々は、パーソナライズされた糖尿病と多疾患管理のための強化学習(RL)に基づく人工知能アルゴリズムを開発した。
2型糖尿病患者16,665人の振り返りコホートを用いて,血糖,血圧,心血管疾患のリスクを健康状態としてモデル化した。
- 参考スコア(独自算出の注目度): 3.126946703484768
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Comorbid chronic conditions are common among people with type 2 diabetes. We
developed an Artificial Intelligence algorithm, based on Reinforcement Learning
(RL), for personalized diabetes and multi-morbidity management with strong
potential to improve health outcomes relative to current clinical practice. In
this paper, we modeled glycemia, blood pressure and cardiovascular disease
(CVD) risk as health outcomes using a retrospective cohort of 16,665 patients
with type 2 diabetes from New York University Langone Health ambulatory care
electronic health records in 2009 to 2017. We trained a RL prescription
algorithm that recommends a treatment regimen optimizing patients' cumulative
health outcomes using their individual characteristics and medical history at
each encounter. The RL recommendations were evaluated on an independent subset
of patients. The results demonstrate that the proposed personalized
reinforcement learning prescriptive framework for type 2 diabetes yielded high
concordance with clinicians' prescriptions and substantial improvements in
glycemia, blood pressure, cardiovascular disease risk outcomes.
- Abstract(参考訳): 慢性疾患は2型糖尿病の患者に多い。
我々は,糖尿病のパーソナライズと多疾患管理のための強化学習(Reinforcement Learning, RL)に基づく人工知能アルゴリズムを開発した。
本稿では,2009年から2017年にかけて,ニューヨーク大学ラングーン保健センターの2型糖尿病患者16,665人の振り返りコホートを用いて,血糖,血圧,心血管疾患(CVD)リスクを健康状態としてモデル化した。
我々は,個々の特徴と遭遇時の医療歴を用いて患者の累積健康成果を最適化する治療レジームを推奨するrl処方アルゴリズムを訓練した。
RLレコメンデーションは患者の独立したサブセットで評価された。
その結果,2型糖尿病に対するパーソナライズされた強化学習規範の枠組みは,臨床医の処方薬と高い一致を示し,血糖値,血圧,心血管疾患の発症リスクを著しく改善した。
関連論文リスト
- Knowledge-Infused LLM-Powered Conversational Health Agent: A Case Study
for Diabetes Patients [5.681077687942451]
糖尿病患者に対する知識注入型LLMを用いた会話型健康エージェント(CHA)を提案する。
オープンソースのopenCHAフレームワークをカスタマイズして活用し、外部知識と分析能力でCHAを強化します。
本評価では,毎日の食事選択に関する糖尿病関連質問100件と,提案した食事に関する潜在的なリスクについて検討した。
論文 参考訳(メタデータ) (2024-02-15T18:00:02Z) - Nurse-in-the-Loop Artificial Intelligence for Precision Management of
Type 2 Diabetes in a Clinical Trial Utilizing Transfer-Learned Predictive
Digital Twin [5.521385406191426]
本研究は, 予測ディジタルツイン(PDT)を利用したオンラインナース・イン・ザ・ループ予測制御(ONLC)モデルを開発した。
PDTは、最初の3ヶ月から参加者の自己モニタリングデータ(体重、食物ログ、身体活動、グルコース)をトレーニングした。
ONLCは介入グループに個別のフィードバックとテキストメッセージによるレコメンデーションを提供した。
論文 参考訳(メタデータ) (2024-01-05T06:38:50Z) - Large Language Models for Healthcare Data Augmentation: An Example on
Patient-Trial Matching [49.78442796596806]
患者-心電図マッチング(LLM-PTM)のための革新的なプライバシ対応データ拡張手法を提案する。
本実験では, LLM-PTM法を用いて平均性能を7.32%向上させ, 新しいデータへの一般化性を12.12%向上させた。
論文 参考訳(メタデータ) (2023-03-24T03:14:00Z) - HealthEdge: A Machine Learning-Based Smart Healthcare Framework for
Prediction of Type 2 Diabetes in an Integrated IoT, Edge, and Cloud Computing
System [0.0]
糖尿病の急激な増加は、糖尿病の発生を予防・予測するために予防措置を取る必要があることを要求する。
本稿では,IoT-エッジクラウド統合コンピューティングシステムにおける2型糖尿病予測のための機械学習ベースのスマートヘルスケアフレームワークであるHealthEdgeを提案する。
論文 参考訳(メタデータ) (2023-01-25T07:57:18Z) - Prognosis and Treatment Prediction of Type-2 Diabetes Using Deep Neural
Network and Machine Learning Classifiers [1.1470070927586016]
本研究の動作は,7つの機械学習分類器と,糖尿病の検出と治療を高精度に予測するためのニューラルネットワーク手法の比較研究である。
トレーニングとテストデータセットは9483人の糖尿病患者の情報を蓄積したものです。
私たちのハイパフォーマンスモデルは、糖尿病を予測し、より正確な予測モデルの研究を促進するために病院によって利用できます。
論文 参考訳(メタデータ) (2023-01-08T19:10:20Z) - New-Onset Diabetes Assessment Using Artificial Intelligence-Enhanced
Electrocardiography [19.027974114710958]
糖尿病の成人は21.4%である。
AI強化心電図(ECG)は、新しい発症糖尿病の成人を識別する。
論文 参考訳(メタデータ) (2022-05-05T19:39:32Z) - Enriching Unsupervised User Embedding via Medical Concepts [51.17532619610099]
教師なしのユーザ埋め込みは、患者を人間の監督なしに、固定長のベクターにエンコードすることを目的としている。
臨床ノートから抽出された医療概念は、患者とその臨床カテゴリ間の豊富な関係を含んでいる。
本稿では,2つの臨床コーパスからテキスト文書と医療概念を共同で活用する,非教師なしユーザ埋め込みを提案する。
論文 参考訳(メタデータ) (2022-03-20T18:54:05Z) - Conditional Generation Net for Medication Recommendation [73.09366442098339]
医薬推奨は、患者の診断に従って適切な薬セットを提供することを目標としており、これは診療所において重要な課題である。
医薬品群を生成するための新しいコピー・アンド・予測機構を導入した条件生成ネット(COGNet)を提案する。
提案手法を公開MIMICデータセット上で検証し,実験結果から,提案手法が最先端の手法より優れていることを示す。
論文 参考訳(メタデータ) (2022-02-14T10:16:41Z) - 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) - Prediction of the onset of cardiovascular diseases from electronic
health records using multi-task gated recurrent units [51.14334174570822]
本稿では,電子カルテから心血管イベントを予測するための注意機構を備えたマルチタスク・リカレントニューラルネットワークを提案する。
提案手法は、NHS Foundation Trustの5年間のデータを用いて、標準的な臨床リスク予測器(QRISK)と機械学習の代替手段と比較される。
論文 参考訳(メタデータ) (2020-07-16T17:43:13Z) - Predictive Modeling of ICU Healthcare-Associated Infections from
Imbalanced Data. Using Ensembles and a Clustering-Based Undersampling
Approach [55.41644538483948]
本研究は,集中治療室における危険因子の同定と医療関連感染症の予測に焦点をあてる。
感染発生率の低減に向けた意思決定を支援することを目的とする。
論文 参考訳(メタデータ) (2020-05-07T16:13:12Z)
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。