Fugu-MT 論文翻訳(概要): Improving Clinical Outcome Predictions Using Convolution over Medical Entities with Multimodal Learning

論文の概要: Improving Clinical Outcome Predictions Using Convolution over Medical Entities with Multimodal Learning

arxiv url: http://arxiv.org/abs/2011.12349v2
Date: Thu, 26 Nov 2020 09:40:41 GMT
ステータス: 処理完了
システム内更新日: 2022-09-21 12:45:24.274080
Title: Improving Clinical Outcome Predictions Using Convolution over Medical Entities with Multimodal Learning
Title（参考訳）: マルチモーダル学習による医療施設の畳み込みによる臨床成績予測の改善
Authors: Batuhan Bardak and Mehmet Tan
Abstract要約: 患者の死亡と滞在期間(LOS)の早期予測は、患者の命を救い、病院資源の管理に不可欠である。本研究は,臨床ノートから医療エンティティを抽出し,時系列機能以外の追加機能として利用することにより,予測を改善することを目的とする。本稿では、医療機関と患者の時系列ICU信号を効果的に組み合わせて学習するだけでなく、畳み込みに基づくマルチモーダルアーキテクチャを提案する。
参考スコア（独自算出の注目度）: 0.522145960878624
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Early prediction of mortality and length of stay(LOS) of a patient is vital for saving a patient's life and management of hospital resources. Availability of electronic health records(EHR) makes a huge impact on the healthcare domain and there has seen several works on predicting clinical problems. However, many studies did not benefit from the clinical notes because of the sparse, and high dimensional nature. In this work, we extract medical entities from clinical notes and use them as additional features besides time-series features to improve our predictions. We propose a convolution based multimodal architecture, which not only learns effectively combining medical entities and time-series ICU signals of patients, but also allows us to compare the effect of different embedding techniques such as Word2vec, FastText on medical entities. In the experiments, our proposed method robustly outperforms all other baseline models including different multimodal architectures for all clinical tasks. The code for the proposed method is available at https://github.com/tanlab/ConvolutionMedicalNer.
Abstract（参考訳）: 患者の死亡率と滞在期間(ロス)の早期予測は、患者の生命を救い、病院の資源を管理するのに不可欠である。電子健康記録(EHR)の可用性は、医療領域に大きな影響を与え、臨床問題を予測するためにいくつかの研究がなされている。しかし,小ささと高次元性のため,多くの研究は臨床ノートの恩恵を受けなかった。本研究は, 臨床ノートから医療機関を抽出し, 時系列機能に加えて追加機能として活用し, 予測精度の向上を図る。我々は、医療機関と患者の時系列ICU信号を効果的に組み合わせて学習するだけでなく、Word2vecやFastTextといった様々な埋め込み技術が医療機関に与える影響を比較することができる畳み込み型マルチモーダルアーキテクチャを提案する。実験では,提案手法が臨床タスクにおいて異なるマルチモーダルアーキテクチャを含む他のすべてのベースラインモデルよりも頑健に優れることを示す。提案するメソッドのコードはhttps://github.com/tanlab/convolutionmedicalnerで利用可能である。

関連論文リスト

AI Hospital: Benchmarking Large Language Models in a Multi-agent Medical Interaction Simulator [69.51568871044454]
我々は,emphDoctorをプレイヤとして,NPC間の動的医療相互作用をシミュレーションするフレームワークであるtextbfAI Hospitalを紹介した。この設定は臨床シナリオにおけるLCMの現実的な評価を可能にする。高品質な中国の医療記録とNPCを利用したマルチビュー医療評価ベンチマークを開発した。
論文参考訳（メタデータ） (2024-02-15T06:46:48Z)
XAI for In-hospital Mortality Prediction via Multimodal ICU Data [57.73357047856416]
マルチモーダルICUデータを用いて病院内死亡率を予測するための,効率的で説明可能なAIソリューションを提案する。我々は,臨床データから異種入力を受信し,意思決定を行うマルチモーダル・ラーニングを我々のフレームワークに導入する。我々の枠組みは、医療研究において重要な要素の発見を容易にする他の臨床課題に容易に移行することができる。
論文参考訳（メタデータ） (2023-12-29T14:28:04Z)
An Interpretable Deep-Learning Framework for Predicting Hospital Readmissions From Electronic Health Records [2.156208381257605]
そこで我々は,未計画の病院入退院を予測するための,新しい,解釈可能な深層学習フレームワークを提案する。実際のデータを用いて,30日と180日以内に病院入退院の2つの予測課題について,本システムの有効性を検証した。
論文参考訳（メタデータ） (2023-10-16T08:48:52Z)
Hierarchical Pretraining for Biomedical Term Embeddings [4.69793648771741]
階層データに基づく新しいバイオメディカル用語表現モデルであるHiPrBERTを提案する。 HiPrBERTは階層的な情報からペアワイズ距離を効果的に学習し,さらにバイオメディカルな応用に極めて有用な埋め込みを実現できることを示す。
論文参考訳（メタデータ） (2023-07-01T08:16:00Z)
SPeC: A Soft Prompt-Based Calibration on Performance Variability of Large Language Model in Clinical Notes Summarization [50.01382938451978]
本稿では,ソフトプロンプトを用いたモデルに依存しないパイプラインを導入し,確率に基づく要約の利点を保ちながら分散を減少させる。実験結果から,本手法は性能を向上するだけでなく,様々な言語モデルの分散を効果的に抑制することが明らかとなった。
論文参考訳（メタデータ） (2023-03-23T04:47:46Z)
Time Associated Meta Learning for Clinical Prediction [78.99422473394029]
本稿では,時間関連メタラーニング(TAML)手法を提案する。タスク分割後のスパーシリティ問題に対処するため、TAMLは時間情報共有戦略を採用し、正のサンプル数を増やす。複数の臨床データセットに対するTAMLの有効性を示す。
論文参考訳（メタデータ） (2023-03-05T03:54:54Z)
Heterogeneous Graph Learning for Multi-modal Medical Data Analysis [6.3082663934391014]
マルチモーダル医療データを融合するために,HetMedというグラフベースの効果的なフレームワークを提案する。 HetMedは、患者間の複雑な関係を体系的に捉え、より正確な臨床判断をもたらす。
論文参考訳（メタデータ） (2022-11-28T09:14:36Z)
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)
How to Leverage Multimodal EHR Data for Better Medical Predictions? [13.401754962583771]
電子健康記録(EHR)データの複雑さは、ディープラーニングの適用の課題である。本稿では,まずEHRから臨床ノートを抽出し,これらのデータを統合する方法を提案する。 2つの医療予測タスクの結果、異なるデータを持つ融合モデルが最先端の手法より優れていることが示された。
論文参考訳（メタデータ） (2021-10-29T13:26:05Z)
Cross-Modal Information Maximization for Medical Imaging: CMIM [62.28852442561818]
病院では、同じ情報を異なるモダリティの下で利用できるようにする特定の情報システムにデータがサイロ化される。これは、テスト時に常に利用できないかもしれない同じ情報の複数のビューを列車で取得し、使用するためのユニークな機会を提供する。テスト時にモダリティの低下に耐性を持つマルチモーダル入力の優れた表現を学習することで、利用可能なデータを最大限活用する革新的なフレームワークを提案する。
論文参考訳（メタデータ） (2020-10-20T20:05:35Z)
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。