論文の概要: Drug Recommendation System based on Sentiment Analysis of Drug Reviews using Machine Learning

• arxiv url: http://arxiv.org/abs/2104.01113v2
• Date: Mon, 5 Apr 2021 03:19:32 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-06 23:35:08.598337
• Title: Drug Recommendation System based on Sentiment Analysis of Drug Reviews using Machine Learning
• Title（参考訳）: 機械学習を用いた薬物レビューの感情分析に基づく薬物推奨システム
• Authors: Satvik Garg
• Abstract要約: 我々は,Bow,TFIDF,Word2Vec,Manual Feature Analysisなどの様々なベクトル化プロセスを用いて,患者レビューを用いて感情を予測する医薬推薦システムを構築した。 その結果, TFIDFベクトル化を用いたLinearSVCは, 93%の精度で他のモデルよりも優れていた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Since coronavirus has shown up, inaccessibility of legitimate clinical resources is at its peak, like the shortage of specialists, healthcare workers, lack of proper equipment and medicines. The entire medical fraternity is in distress, which results in numerous individuals demise. Due to unavailability, people started taking medication independently without appropriate consultation, making the health condition worse than usual. As of late, machine learning has been valuable in numerous applications, and there is an increase in innovative work for automation. This paper intends to present a drug recommender system that can drastically reduce specialists heap. In this research, we build a medicine recommendation system that uses patient reviews to predict the sentiment using various vectorization processes like Bow, TFIDF, Word2Vec, and Manual Feature Analysis, which can help recommend the top drug for a given disease by different classification algorithms. The predicted sentiments were evaluated by precision, recall, f1score, accuracy, and AUC score. The results show that classifier LinearSVC using TFIDF vectorization outperforms all other models with 93% accuracy.
• Abstract（参考訳）: 新型コロナウイルスの影響で、専門家や医療従事者、適切な機器や医薬品の不足など、合法的な臨床資源へのアクセスが限界に達している。 医学的な友情全体が苦しんでおり、多くの個人が死亡する。 使用不能のため、適切な相談なしに個別に薬を服用し始め、健康状態が通常より悪化した。 最近まで、機械学習は多くのアプリケーションで価値があり、自動化のための革新的な作業が増えている。 本稿では,専門家の負担を大幅に削減できる薬物推奨システムを提案する。 本研究では,Bow,TFIDF,Word2Vec,Manual Feature Analysisなどの様々なベクター化プロセスを用いて,患者レビューを用いて感情を予測する薬剤推薦システムを構築した。 予測された感情は、精度、リコール、f1スコア、精度、AUCスコアで評価された。 TFIDFベクトル化を用いた分類器LinearSVCは,93%の精度で他のモデルよりも優れていた。

関連論文リスト

• A randomized simulation trial evaluating ABiMed, a clinical decision support system for medication reviews and polypharmacy management [3.8243906257653504]
  STOPP/START v2ガイドラインの実装に基づき,臨床診断支援システムであるABiMedを設計した。 ランダム化シミュレーション試験において,39名の薬剤師によるABiMedの評価を行った。
  論文  参考訳（メタデータ） (2024-09-03T13:50:59Z)
• "Hey..! This medicine made me sick": Sentiment Analysis of User-Generated Drug Reviews using Machine Learning Techniques [2.2874754079405535]
  本研究は、特定の薬物に関するユーザレビューを、ポジティブ、ネガティブ、中立などの異なるクラスに分類する薬物レビュー分類システムを提案する。 収集されたデータは手動でラベル付けされ、ラベルが正しいことを保証するために手動で検証される。
  論文  参考訳（メタデータ） (2024-04-09T08:42:34Z)
• Autonomous Artificial Intelligence Agents for Clinical Decision Making in Oncology [0.6397820821509177]
  本稿では,大規模言語モデル(LLM)を中心的推論エンジンとして活用する,マルチモーダル医療用AIの代替手法を提案する。 このエンジンは、医療用AIツールのセットを自律的に調整し、デプロイする。 適切なツール(97%)、正しい結論(93.6%)、完全(94%)、個人患者に有用な推奨(89.2%)を提示する能力が高いことを示す。
  論文  参考訳（メタデータ） (2024-04-06T15:50:19Z)
• Leave No Patient Behind: Enhancing Medication Recommendation for Rare Disease Patients [47.68396964741116]
  本稿では,レアな疾患の正確性を高めるために,ロバストとメディケーションのための高精度勧告(RAREMed)と呼ばれる新しいモデルを提案する。 入力シーケンスを統一したトランスフォーマーエンコーダを使用して、疾患と手続きコードの間の複雑な関係をキャプチャする。 稀な疾患と一般的な疾患の両方に対して正確な薬物セットを提供し、薬の推奨システムにおける不公平を緩和する。
  論文  参考訳（メタデータ） (2024-03-26T14:36:22Z)
• Fine-tuning pre-trained extractive QA models for clinical document parsing [0.0]
  心不全(HF)患者に対する遠隔患者のモニタリングプログラムは、EF(Ejection Fraction)やLVEF(Left Ventricular Ejection Fraction)のような臨床マーカーにアクセスする必要がある。 本稿では,心エコー図を解析し,EF値を検証するシステムについて述べる。 このシステムは、大規模なタスクを自動化して、12ヶ月で1500時間以上、臨床医を救った。
  論文  参考訳（メタデータ） (2023-12-04T19:52:56Z)
• AutoPrognosis 2.0: Democratizing Diagnostic and Prognostic Modeling in Healthcare with Automated Machine Learning [72.2614468437919]
  本稿では,診断・予後モデルを開発するための機械学習フレームワークAutoPrognosis 2.0を提案する。 我々は,英国バイオバンクを用いた糖尿病の予後リスクスコアを構築するための図解的アプリケーションを提供する。 我々のリスクスコアはWebベースの意思決定支援ツールとして実装されており、世界中の患者や臨床医がアクセスできる。
  論文  参考訳（メタデータ） (2022-10-21T16:31:46Z)
• Knowledge-Driven New Drug Recommendation [88.35607943144261]
  既存の薬物と新薬のギャップを埋めるために, 薬物依存型マルチフェノタイプ数発学習機を開発した。 EDGEは外部薬効知識ベースを用いて偽陰性監視信号を除去する。 その結果, EDGEは, ROC-AUCスコアよりも7.3%向上していることがわかった。
  論文  参考訳（メタデータ） (2022-10-11T16:07:52Z)
• 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)
• 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)
• Predicting Patient Readmission Risk from Medical Text via Knowledge Graph Enhanced Multiview Graph Convolution [67.72545656557858]
  本稿では,電子健康記録の医用テキストを予測に用いる新しい手法を提案する。 外部知識グラフによって強化された多視点グラフを有する患者の退院サマリーを表現している。 実験により,本手法の有効性が証明され,最先端の性能が得られた。
  論文  参考訳（メタデータ） (2021-12-19T01:45:57Z)
• Machine Learning Approaches for Inferring Liver Diseases and Detecting Blood Donors from Medical Diagnosis [0.0]
  本稿では,欠落データを扱うために連鎖方程式による多重インプテーションを適用した。 重要な発見を明らかにするために、データの視覚化が実装された。 提案したMLメソッドは精度が向上した(例)。 98.23%のSVM)
  論文  参考訳（メタデータ） (2021-04-25T04:10:19Z)

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。