論文の概要: Social determinants of health in the era of artificial intelligence with
electronic health records: A systematic review
- arxiv url: http://arxiv.org/abs/2102.04216v1
- Date: Fri, 22 Jan 2021 09:03:39 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-20 17:19:18.302202
- Title: Social determinants of health in the era of artificial intelligence with
electronic health records: A systematic review
- Title(参考訳): 電子健康記録を用いた人工知能時代の健康の社会的決定要因:体系的レビュー
- Authors: Anusha Bompelli, Yanshan Wang, Ruyuan Wan, Esha Singh, Yuqi Zhou, Lin
Xu, David Oniani, Bhavani Singh Agnikula Kshatriya, Joyce (Joy) E.
Balls-Berry, and Rui Zhang
- Abstract要約: 電子健康記録(EHR)から健康の社会的決定要因(SDOH)情報を最大限に活用する方法はまだ研究されていません。
2010年から2020年にかけて、文献から合計1250の論文が抽出され、74の論文がこのレビューに含まれた。
本稿では,EHRのSDOHの現在の動向,課題,今後の方向性について論じる。
- 参考スコア(独自算出の注目度): 12.944415086215708
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: There is growing evidence showing the significant role of social determinant
of health (SDOH) on a wide variety of health outcomes. In the era of artificial
intelligence (AI), electronic health records (EHRs) have been widely used to
conduct observational studies. However, how to make the best of SDOH
information from EHRs is yet to be studied. In this paper, we systematically
reviewed recently published papers and provided a methodology review of AI
methods using the SDOH information in EHR data. A total of 1250 articles were
retrieved from the literature between 2010 and 2020, and 74 papers were
included in this review after abstract and full-text screening. We summarized
these papers in terms of general characteristics (including publication years,
venues, countries etc.), SDOH types, disease areas, study outcomes, AI methods
to extract SDOH from EHRs and AI methods using SDOH for healthcare outcomes.
Finally, we conclude this paper with discussion on the current trends,
challenges, and future directions on using SDOH from EHRs.
- Abstract(参考訳): 健康の社会的決定因子(SDOH)が様々な健康結果に重要な役割を果たすことを示す証拠が増えている。
人工知能(AI)の時代には、電子健康記録(EHR)が観察研究に広く用いられてきた。
しかし、EHRからSDOH情報を最大限に活用する方法はまだ研究されていない。
本稿では、最近発表された論文を体系的にレビューし、EHRデータにおけるSDOH情報を用いたAI手法の方法論的レビューを行った。
2010年から2020年にかけて、文献から合計1250の論文が抽出され、74の論文が要約と全文スクリーニングの後にこのレビューに含まれた。
我々は,これらの論文を,出版年,会場,国など,一般的な特徴の観点から要約した。
) SDOHタイプ, 疾患領域, 研究成果, EHRからSDOHを抽出するAIメソッド, 医療結果にSDOHを用いたAIメソッド。
最後に,EHRからSDOHを使用する際の現在の傾向,課題,今後の方向性について論じる。
関連論文リスト
- Topic Modelling of Swedish Newspaper Articles about Coronavirus: a Case
Study using Latent Dirichlet Allocation Method [76.08417511187909]
トピックモデリング(TM)は、自然言語理解(NLU)と自然言語処理(NLP)の研究分野からのものである。
本研究では,LDA(Latent Dirichlet Allocation)法を用いて,コロナウイルスに関するスウェーデンの新聞記事の話題変化をモデル化する。
我々は,2020年1月17日から2021年3月13日までの約1年2ヶ月間のトピック変更に関する6515の論文,適用方法,統計データを含むコーパスについて述べる。
論文 参考訳(メタデータ) (2023-01-08T12:33:58Z) - Leveraging Natural Language Processing to Augment Structured Social
Determinants of Health Data in the Electronic Health Record [1.7812428873698403]
健康の社会的決定要因(SDOH)は、個人の健康結果と健康システムの相互作用に影響を及ぼす。
医療システムは、構造化データと非構造化臨床ノートを通してSDOH情報をキャプチャする。
本研究の目的は,臨床物語からSDOHの構造的意味表現を抽出することにより,SDOH情報の獲得を可能にすることである。
論文 参考訳(メタデータ) (2022-12-14T22:51:49Z) - The Role of AI in Drug Discovery: Challenges, Opportunities, and
Strategies [97.5153823429076]
この分野でのAIのメリット、課題、欠点についてレビューする。
データ拡張、説明可能なAIの使用、従来の実験手法とAIの統合についても論じている。
論文 参考訳(メタデータ) (2022-12-08T23:23:39Z) - On Curating Responsible and Representative Healthcare Video
Recommendations for Patient Education and Health Literacy: An Augmented
Intelligence Approach [5.545277272908999]
アメリカの成人の3人に1人がインターネットを使って健康上の懸念を診断し、学んでいる。
健康リテラシーの分割はアルゴリズムの推薦によって悪化する可能性がある。
論文 参考訳(メタデータ) (2022-07-13T01:54:59Z) - DrugOOD: Out-of-Distribution (OOD) Dataset Curator and Benchmark for
AI-aided Drug Discovery -- A Focus on Affinity Prediction Problems with Noise
Annotations [90.27736364704108]
我々は、AI支援薬物発見のための体系的なOODデータセットキュレーターおよびベンチマークであるTarmOODを提案する。
DrugOODには、ベンチマークプロセスを完全に自動化するオープンソースのPythonパッケージが付属している。
我々は、薬物標的結合親和性予測という、AIDDにおける最も重要な問題の1つに焦点を当てる。
論文 参考訳(メタデータ) (2022-01-24T12:32:48Z) - Benchmarking Predictive Risk Models for Emergency Departments with Large
Public Electronic Health Records [7.928862476020428]
大規模な公開 EHR に基づく広く受け入れられている ED ベンチマークは存在しない。
我々は、パブリックEDベンチマークスイートを提案し、2011年から2019年までの50万回のED訪問を含むベンチマークデータセットを得た。
私たちのコードはオープンソースなので、MIMIC-IV-EDにアクセス可能な人は、データ処理の同じステップを辿り、ベンチマークを構築し、実験を再現できます。
論文 参考訳(メタデータ) (2021-11-22T06:51:11Z) - Heterogeneous Treatment Effect Estimation using machine learning for
Healthcare application: tutorial and benchmark [8.869515663374248]
多くの研究が、薬物効果は人口間で不均一であることを示した。
ヘテロジニアス処理効果(HTE)を推定する高度な機械学習モデルが近年出現している。
我々は,医療分野にHTE手法を導入し,実現可能性を検討することを目的とする。
論文 参考訳(メタデータ) (2021-09-27T02:34:44Z) - Neural Natural Language Processing for Unstructured Data in Electronic
Health Records: a Review [4.454501609622817]
EHRに格納されている情報の約半数は、構造化されていないテキストの形式である。
自然言語処理への深層学習アプローチは、かなりの進歩を遂げた。
タスクの幅広い範囲、すなわち分類と予測、単語の埋め込み、抽出、生成、その他のトピックに焦点を当てる。
論文 参考訳(メタデータ) (2021-07-07T01:50:02Z) - Domain-Specific Pretraining for Vertical Search: Case Study on
Biomedical Literature [67.4680600632232]
自己教師型学習は、アノテーションのボトルネックを克服するための有望な方向として現れました。
本稿では,ドメイン固有の事前学習に基づく垂直探索手法を提案する。
我々のシステムはPubMed上で何千万もの記事にスケールでき、Microsoft Biomedical Searchとしてデプロイされている。
論文 参考訳(メタデータ) (2021-06-25T01:02:55Z) - An Analysis of a BERT Deep Learning Strategy on a Technology Assisted
Review Task [91.3755431537592]
文書検診はEvidenced Based Medicineにおける中心的な課題である。
本稿では,BERT や PubMedBERT を組み込んだ DL 文書分類手法と DL 類似性検索経路を提案する。
2017年と2018年のCLEF eHealth コレクションにおいて,私の DL 戦略の検索の有効性を検証し,評価した。
論文 参考訳(メタデータ) (2021-04-16T19:45:27Z) - Opportunities and Challenges of Deep Learning Methods for
Electrocardiogram Data: A Systematic Review [62.490310870300746]
心電図(Electrocardiogram、ECG)は、医学および医療において最も一般的に用いられる診断ツールの1つである。
深層学習法は心電図信号を用いた予測医療タスクにおいて有望な結果を得た。
本稿では、モデリングとアプリケーションの観点から、ECGデータに対するディープラーニング手法の体系的なレビューを行う。
論文 参考訳(メタデータ) (2019-12-28T02:44:29Z)
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。