Fugu-MT 論文翻訳(概要): Demographic Aware Probabilistic Medical Knowledge Graph Embeddings of Electronic Medical Records

論文の概要: Demographic Aware Probabilistic Medical Knowledge Graph Embeddings of Electronic Medical Records

arxiv url: http://arxiv.org/abs/2103.11951v1
Date: Mon, 22 Mar 2021 15:45:05 GMT
ステータス: 処理完了
システム内更新日: 2021-03-23 20:04:06.492165
Title: Demographic Aware Probabilistic Medical Knowledge Graph Embeddings of Electronic Medical Records
Title（参考訳）: 人口動態を考慮した電子カルテの確率的医療知識グラフ埋め込み
Authors: Aynur Guluzade, Endri Kacupaj, Maria Maleshkova
Abstract要約: 電子医療記録(EMR)から構築された医療知識グラフ(KG)には、患者や医療機関に関する豊富な情報が含まれている。 DarLINGは、患者の人口統計を対応するハイパープレーンと関連付けることによって、医療現場に人口統計を明示的に組み込む人口統計認識医療KG埋め込みフレームワークです。 EMRデータから構築した医用KGを用いた治療薬のリンク予測によるDARlingの評価を行い,既存のKG埋め込みモデルと比較して優れた性能を示した。
参考スコア（独自算出の注目度）: 0.5524804393257919
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Medical knowledge graphs (KGs) constructed from Electronic Medical Records (EMR) contain abundant information about patients and medical entities. The utilization of KG embedding models on these data has proven to be efficient for different medical tasks. However, existing models do not properly incorporate patient demographics and most of them ignore the probabilistic features of the medical KG. In this paper, we propose DARLING (Demographic Aware pRobabiListic medIcal kNowledge embeddinG), a demographic-aware medical KG embedding framework that explicitly incorporates demographics in the medical entities space by associating patient demographics with a corresponding hyperplane. Our framework leverages the probabilistic features within the medical entities for learning their representations through demographic guidance. We evaluate DARLING through link prediction for treatments and medicines, on a medical KG constructed from EMR data, and illustrate its superior performance compared to existing KG embedding models.
Abstract（参考訳）: 電子医療記録(EMR)から構築された医療知識グラフ(KG)には、患者や医療機関に関する豊富な情報が含まれている。これらのデータに対するKG埋め込みモデルの利用は、異なる医療タスクに対して効率的であることが証明されている。しかし、既存のモデルは患者の人口統計を適切に取り入れておらず、そのほとんどはKGの確率的特徴を無視している。本稿では,患者層を対応する超平面と関連付けることで,医療分野における人口動態を明示的に組み込む,人口動態認識型医療kg埋め込みフレームワークであるdarling (demographic aware probabilistic medical knowledge embedded)を提案する。本フレームワークは, 医療機関における確率的特徴を, 人口統計学的指導による表現の学習に活用する。 EMRデータから構築した医用KGを用いた治療薬のリンク予測によるDARlingの評価を行い,既存のKG埋め込みモデルと比較して優れた性能を示した。

関連論文リスト

A Survey of Medical Vision-and-Language Applications and Their Techniques [48.268198631277315]
医療ビジョン・アンド・ランゲージモデル(MVLM)は、複雑な医療データを解釈するための自然言語インタフェースを提供する能力から、大きな関心を集めている。本稿では,MVLMの概要と適用した各種医療課題について概観する。また、これらのタスクに使用するデータセットについても検討し、標準化された評価指標に基づいて異なるモデルの性能を比較した。
論文参考訳（メタデータ） (2024-11-19T03:27:05Z)
Reasoning-Enhanced Healthcare Predictions with Knowledge Graph Community Retrieval [61.70489848327436]
KAREは、知識グラフ(KG)コミュニティレベルの検索と大規模言語モデル(LLM)推論を統合する新しいフレームワークである。 MIMIC-IIIでは最大10.8～15.0%、MIMIC-IVでは12.6～12.7%である。
論文参考訳（メタデータ） (2024-10-06T18:46:28Z)
FEDMEKI: A Benchmark for Scaling Medical Foundation Models via Federated Knowledge Injection [83.54960238236548]
FEDMEKIはデータのプライバシーを守るだけでなく、医療基盤モデルの能力を高める。 FEDMEKIは、医療ファンデーションモデルに対して、直接データを公開することなく、幅広い医療知識から学ぶことを可能にする。
論文参考訳（メタデータ） (2024-08-17T15:18:56Z)
MRC-based Nested Medical NER with Co-prediction and Adaptive Pre-training [0.38498367961730184]
医療分野におけるモデルの能力向上のために,タスク適応型事前学習戦略を用いたMRC(Machine Reading)に基づく医療NERモデルを提案する。提案手法は, 比較最先端モデル(SOTA)よりも優れている。
論文参考訳（メタデータ） (2024-03-23T11:14:02Z)
HyperFusion: A Hypernetwork Approach to Multimodal Integration of Tabular and Medical Imaging Data for Predictive Modeling [4.44283662576491]
EHRの値と測定値に画像処理を条件付け,臨床画像と表層データを融合させるハイパーネットワークに基づく新しいフレームワークを提案する。我々は, 単一モダリティモデルと最先端MRI-タブラルデータ融合法の両方に優れることを示す。
論文参考訳（メタデータ） (2024-03-20T05:50:04Z)
Next Visit Diagnosis Prediction via Medical Code-Centric Multimodal Contrastive EHR Modelling with Hierarchical Regularisation [0.0]
NECHOは,階層的正規化を伴う新しい医用コード中心のマルチモーダル・コントラスト学習フレームワークである。まず, 医用コード, 人口統計, 臨床ノートを含む多面的情報をネットワーク設計を用いて統合する。また,EHRデータの階層構造を学習するために,医療オントロジーにおける親レベル情報を用いてモダリティ固有のエンコーダを正規化する。
論文参考訳（メタデータ） (2024-01-22T01:58:32Z)
LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching [59.01894976615714]
LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。 55の公開データセットから約13万の医療画像を収集しました。 LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
論文参考訳（メタデータ） (2023-06-20T22:21:34Z)
GraphCare: Enhancing Healthcare Predictions with Personalized Knowledge Graphs [44.897533778944094]
textscGraphCareは、外部知識グラフを使用してEHRベースの予測を改善するオープンワールドフレームワークである。本手法は,患者固有のKGを構築するために,大規模言語モデル(LLM)と外部生物医学的KGから知識を抽出する。 textscGraphCareは、4つの重要な医療予測タスクのベースラインを超えている。
論文参考訳（メタデータ） (2023-05-22T07:35:43Z)
Modeling electronic health record data using a knowledge-graph-embedded topic model [6.170782354287972]
エンド・ツー・エンドの知識グラフに基づくマルチモーダル組込みトピックモデルであるKG-ETMを提案する。 KG-ETMは、医療知識グラフから埋め込みを学習することで、HRデータから潜伏病トピックを抽出する。また,本モデルでは,患者層化と薬剤推奨のための解釈可能かつ正確な患者表現も発見できる。
論文参考訳（メタデータ） (2022-06-03T07:58:17Z)
Scientific Language Models for Biomedical Knowledge Base Completion: An Empirical Study [62.376800537374024]
我々は,KG の完成に向けた科学的 LM の研究を行い,生物医学的リンク予測を強化するために,その潜在知識を活用できるかどうかを探る。 LMモデルとKG埋め込みモデルを統合し,各入力例をいずれかのモデルに割り当てることを学ぶルータ法を用いて,性能を大幅に向上させる。
論文参考訳（メタデータ） (2021-06-17T17:55:33Z)
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。