論文の概要: Deep EHR Spotlight: a Framework and Mechanism to Highlight Events in Electronic Health Records for Explainable Predictions

• arxiv url: http://arxiv.org/abs/2103.14161v1
• Date: Thu, 25 Mar 2021 22:30:14 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-29 12:57:44.247052
• Title: Deep EHR Spotlight: a Framework and Mechanism to Highlight Events in Electronic Health Records for Explainable Predictions
• Title（参考訳）: deep ehrspotlight: 説明可能な予測のための電子健康記録のイベントをハイライトするフレームワークとメカニズム
• Authors: Thanh Nguyen-Duc, Natasha Mulligan, Gurdeep S. Mannu, Joao H. Bettencourt-Silva
• Abstract要約: ディープラーニング技術は、EHRを用いた予測分析タスクのパフォーマンスを実証している。 EHRは非均質でマルチモーダルなデータポイントを含み、可視化と解釈性を妨げる。 本稿では,1) EHR から画像への患者経路のエンコード,2) 経路画像内の重要な事象の強調,3) より複雑な予測を可能にするためのディープラーニングフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.9176056742068812
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The wide adoption of Electronic Health Records (EHR) has resulted in large amounts of clinical data becoming available, which promises to support service delivery and advance clinical and informatics research. Deep learning techniques have demonstrated performance in predictive analytic tasks using EHRs yet they typically lack model result transparency or explainability functionalities and require cumbersome pre-processing tasks. Moreover, EHRs contain heterogeneous and multi-modal data points such as text, numbers and time series which further hinder visualisation and interpretability. This paper proposes a deep learning framework to: 1) encode patient pathways from EHRs into images, 2) highlight important events within pathway images, and 3) enable more complex predictions with additional intelligibility. The proposed method relies on a deep attention mechanism for visualisation of the predictions and allows predicting multiple sequential outcomes.
• Abstract（参考訳）: 電子健康記録(ehr)の広範な普及により、大量の臨床データが利用可能になり、サービス提供と臨床情報学研究の推進を約束している。 ディープラーニング技術は、EHRを用いた予測分析タスクのパフォーマンスを示してきたが、一般的にはモデル結果の透明性や説明可能性機能が欠如しており、面倒な前処理タスクを必要としている。 さらに、eersにはテキスト、数字、時系列といった不均一でマルチモーダルなデータポイントが含まれており、さらに可視化や解釈を妨げている。 本稿では,1) EHR から画像への患者経路のエンコード,2) 経路画像内の重要な事象の強調,3) より複雑な予測を可能にするためのディープラーニングフレームワークを提案する。 提案手法は,予測を可視化するための深い注意機構に依存し,複数の逐次結果の予測を可能にする。

関連論文リスト

• 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)
• Recent Advances in Predictive Modeling with Electronic Health Records [71.19967863320647]
  EHRデータを予測モデリングに利用すると、その特徴からいくつかの課題が生じる。 深層学習は、医療を含む様々な応用においてその優位性を示している。
  論文  参考訳（メタデータ） (2024-02-02T00:31:01Z)
• Clairvoyance: A Pipeline Toolkit for Medical Time Series [95.22483029602921]
  時系列学習は、データ駆動の*クリニカルな意思決定支援のパンとバターである* Clairvoyanceは、ソフトウェアツールキットとして機能する、統合されたエンドツーエンドのオートMLフレンドリなパイプラインを提案する。 Clairvoyanceは、臨床時系列MLのための包括的で自動化可能なパイプラインの生存可能性を示す最初のものである。
  論文  参考訳（メタデータ） (2023-10-28T12:08:03Z)
• Toward a Neural Semantic Parsing System for EHR Question Answering [7.784753717089568]
  臨床意味解析(SP)は、自然言語クエリから必要な正確な情報を特定するための重要なステップである。 ニューラルSPの最近の進歩は、人間の努力を伴わずに、堅牢で柔軟なセマンティックレキシコンを構築することを約束している。
  論文  参考訳（メタデータ） (2022-11-08T21:36:22Z)
• Time Series Prediction using Deep Learning Methods in Healthcare [0.0]
  従来の機械学習手法は、医療予測分析タスクを扱う上で2つの大きな課題に直面している。 医療データの高次元的な性質は、新しいタスクごとに適切な機能のセットを選択するために、労働集約的なプロセスを必要とする。 近年の深層学習手法は、様々な医療予測タスクに有望な性能を示した。
  論文  参考訳（メタデータ） (2021-08-30T18:14:27Z)
• MIMO: Mutual Integration of Patient Journey and Medical Ontology for Healthcare Representation Learning [49.57261599776167]
  本稿では、医療表現学習と予測分析のための、エンドツーエンドの堅牢なトランスフォーマーベースのソリューション、患者旅行の相互統合、医療オントロジー(MIMO)を提案する。
  論文  参考訳（メタデータ） (2021-07-20T07:04:52Z)
• Self-Supervised Graph Learning with Hyperbolic Embedding for Temporal Health Event Prediction [13.24834156675212]
  本稿では,情報フローを組み込んだハイパーボリック埋め込み手法を提案する。 我々は、これらの事前学習された表現をグラフニューラルネットワークに組み込んで、疾患の合併症を検出する。 本稿では,EHRデータを完全に活用する自己教師付き学習フレームワークに,階層型で強化された履歴予測代行タスクを提案する。
  論文  参考訳（メタデータ） (2021-06-09T00:42:44Z)
• Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
  マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。 共通情報と相補情報の両方を敵意で抽出することを目的としている。 特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
  論文  参考訳（メタデータ） (2021-02-15T18:46:44Z)
• 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。