論文の概要: Heterogeneous electronic medical record representation for similarity
computing
- arxiv url: http://arxiv.org/abs/2104.14229v1
- Date: Thu, 29 Apr 2021 09:38:14 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-30 12:46:55.226056
- Title: Heterogeneous electronic medical record representation for similarity
computing
- Title（参考訳）: 類似性計算のための異種電子カルテ表現
- Authors: Hoda Memarzadeh, Nasser Ghadiri, Maryam Lotfi Shahreza and Suresh
Pokharel
- Abstract要約: 患者類似度評価は、特定の患者に類似している患者を識別するための二次タスクの1つです。
本稿では,EMR(Electronic Medical Records)の新しいデータ表現手法について検討する。
本研究では,非構造化データと構造化データを用いて,症状,症状,疾患を含むさまざまな医療イベントの同時発生を捉える手法を提案する。
- 参考スコア（独自算出の注目度）: 3.039568795810294
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Due to the widespread use of tools and the development of text processing
techniques, the size and range of clinical data are not limited to structured
data. The rapid growth of recorded information has led to big data platforms in
healthcare that could be used to improve patients' primary care and serve
various secondary purposes. Patient similarity assessment is one of the
secondary tasks in identifying patients who are similar to a given patient, and
it helps derive insights from similar patients' records to provide better
treatment. This type of assessment is based on calculating the distance between
patients. Since representing and calculating the similarity of patients plays
an essential role in many secondary uses of electronic records, this article
examines a new data representation method for Electronic Medical Records (EMRs)
while taking into account the information in clinical narratives for similarity
computing. Some previous works are based on structured data types, while other
works only use unstructured data. However, a comprehensive representation of
the information contained in the EMR requires the effective aggregation of both
structured and unstructured data. To address the limitations of previous
methods, we propose a method that captures the co-occurrence of different
medical events, including signs, symptoms, and diseases extracted via
unstructured data and structured data. It integrates data as discriminative
features to construct a temporal tree, considering the difference between
events that have short-term and long-term impacts. Our results show that
considering signs, symptoms, and diseases in every time interval leads to less
MSE and more precision compared to baseline representations that do not
consider this information or consider them separately from structured data.
- Abstract（参考訳）: ツールの普及とテキスト処理技術の発達により,臨床データのサイズや範囲は構造化データに限定されない。
記録情報の急速な増加は、患者のプライマリケアを改善し、様々なセカンダリな目的に役立てるために使用できる医療におけるビッグデータプラットフォームに繋がった。
患者類似度評価は、患者と類似した患者を特定するための二次的なタスクの一つであり、類似した患者の記録から洞察を導き、より良い治療を提供するのに役立つ。
この種の評価は患者間の距離を計算することに基づいている。
電子カルテ(EMR)における患者間の類似性の表現と計算は,多くの電子カルテの二次的使用において重要な役割を担っているため,類似性計算のための臨床物語の情報を考慮しつつ,新たなデータ表現法について検討する。
以前の作品は構造化データ型に基づいているが、他の作品は非構造化データのみを使用している。
しかし、EMRに含まれる情報の包括的な表現には、構造化データと非構造化データの両方を効果的に集約する必要がある。
従来手法の限界に対処するため,非構造化データや構造化データから抽出した徴候,症状,疾患など,さまざまな医療イベントの同時発生を捉える手法を提案する。
短期的および長期的影響を持つ事象の違いを考慮して、データは時間木を構成する識別的特徴として統合される。
以上の結果から,各時間間隔で徴候,症状,疾患を考慮すれば,この情報を考慮しないベースライン表現や構造化データと別々に考慮するベースライン表現に比べ,MSEの精度は低下することが示された。
関連論文リスト
- Sequential Inference of Hospitalization Electronic Health Records Using Probabilistic Models [3.2988476179015005]
本研究では,入院電子健康記録(EHR)データに含まれる複数の任意長配列に対する確率的教師なしモデルの設計を行う。
このモデルは潜在変数構造を使用し、薬物、診断、実験室のテスト、神経学的評価、薬物の間の複雑な関係を捉えている。
推論アルゴリズムは、部分的データを用いて、その長さや特定の値の存在を含む完全なシーケンスの特性を推測する。
論文 参考訳（メタデータ） (2024-03-27T21:06:26Z) - 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) - Unsupervised pre-training of graph transformers on patient population
graphs [48.02011627390706]
異種臨床データを扱うグラフ変換器を用いたネットワークを提案する。
自己教師型, 移動学習環境において, 事前学習方式の利点を示す。
論文 参考訳（メタデータ） (2022-07-21T16:59:09Z) - 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) - Sequential Diagnosis Prediction with Transformer and Ontological
Representation [35.88195694025553]
本稿では,患者が訪問する時間スタンプと滞在時間との間に不規則な間隔を対応させるSETORと呼ばれる,エンドツーエンドの頑健なトランスフォーマーモデルを提案する。
2つの実世界の医療データセットで実施された実験により、シーケンシャルな診断予測モデルSETORは、従来の最先端のアプローチよりも優れた予測結果が得られることが示された。
論文 参考訳（メタデータ） (2021-09-07T13:09:55Z) - 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) - 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) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳（メタデータ） (2020-09-02T02:50:30Z) - Trajectories, bifurcations and pseudotime in large clinical datasets:
applications to myocardial infarction and diabetes data [94.37521840642141]
混合データ型と欠落値を特徴とする大規模臨床データセット分析のための半教師付き方法論を提案する。
この手法は、次元の減少、データの可視化、クラスタリング、特徴の選択と、部分的に順序付けられた観測列における測地距離(擬時)の定量化のタスクを同時に扱うことのできる弾性主グラフの適用に基づいている。
論文 参考訳（メタデータ） (2020-07-07T21:04:55Z) - Comparative Visual Analytics for Assessing Medical Records with Sequence
Embedding [17.752580010414228]
患者記録の比較研究を支援する視覚分析システムを開発した。
カリフォルニア大学デイビス校の新生児集中治療ユニットから得られた実世界のデータセットを用いたケーススタディにより, 設計とシステムの有効性を実証した。
論文 参考訳（メタデータ） (2020-02-18T19:29:30Z) - Learning Dynamic and Personalized Comorbidity Networks from Event Data
using Deep Diffusion Processes [102.02672176520382]
コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。
電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。
我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
論文 参考訳（メタデータ） (2020-01-08T15:47:08Z)
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。