論文の概要: Change Matters: Medication Change Prediction with Recurrent Residual Networks

• arxiv url: http://arxiv.org/abs/2105.01876v1
• Date: Wed, 5 May 2021 05:51:30 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-06 20:02:59.099153
• Title: Change Matters: Medication Change Prediction with Recurrent Residual Networks
• Title（参考訳）: 変更事項:再発残余ネットワークによる薬物変動予測
• Authors: Chaoqi Yang, Cao Xiao, Lucas Glass, Jimeng Sun
• Abstract要約: MICRONは、隠れた薬のベクターと、再建設計で繰り返し設定された薬を更新することを学ぶ。 MICRONはF1スコアで最高のベースラインよりも3.5%と7.8%の相対的な改善を達成している。
• 参考スコア（独自算出の注目度）: 52.34011841798978
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning is revolutionizing predictive healthcare, including recommending medications to patients with complex health conditions. Existing approaches focus on predicting all medications for the current visit, which often overlaps with medications from previous visits. A more clinically relevant task is to identify medication changes. In this paper, we propose a new recurrent residual network, named MICRON, for medication change prediction. MICRON takes the changes in patient health records as input and learns to update a hidden medication vector and the medication set recurrently with a reconstruction design. The medication vector is like the memory cell that encodes longitudinal information of medications. Unlike traditional methods that require the entire patient history for prediction, MICRON has a residual-based inference that allows for sequential updating based only on new patient features (e.g., new diagnoses in the recent visit) more efficiently. We evaluated MICRON on real inpatient and outpatient datasets. MICRON achieves 3.5% and 7.8% relative improvements over the best baseline in F1 score, respectively. MICRON also requires fewer parameters, which significantly reduces the training time to 38.3s per epoch with 1.5x speed-up.
• Abstract（参考訳）: 深層学習は、複雑な健康状態の患者に薬を推奨するなど、予測医療に革命をもたらしている。 既存のアプローチでは、現在訪問中のすべての薬の予測に重点を置いている。 より臨床的な課題は、薬物の変化を特定することである。 本稿では,薬剤変化予測のための新しい再帰的残留ネットワークであるmicronを提案する。 micronは患者の健康記録の変化を入力として入力し、隠れた薬物ベクターと薬物セットをリカレントデザインで更新することを学ぶ。 投薬ベクターは、薬の経年情報をエンコードする記憶細胞に似ている。 予測のために患者履歴全体を必要とする従来の方法とは異なり、micronは、新しい患者の特徴(例えば、最近の訪問における新しい診断)のみに基づいたシーケンシャルな更新を可能にする、残差ベースの推論を持っている。 MICRONを実際の入院および外来のデータセットで評価した。 MICRONはF1スコアのベースラインでそれぞれ3.5%と7.8%の相対的な改善を達成している。 MICRONはパラメータも少なく、トレーニング時間を1エポックあたり38.3秒に、1.5倍のスピードアップで大幅に短縮する。

関連論文リスト

• Predicting 30-Day Hospital Readmission in Medicare Patients: Insights from an LSTM Deep Learning Model [4.918444397807014]
  本研究は, LSTMネットワークと機能工学を用いたメディケア病院の入院状況を分析し, コントリビューションの評価を行った。 LSTMモデルは、入院レベルおよび患者レベルのデータから時間的ダイナミクスを捉えるように設計されている。 主な特徴は、Charlson Comorbidity Index、病院の滞在時間、過去6ヶ月間の入院、人口統計学の変数は影響を受けなかった。
  論文  参考訳（メタデータ） (2024-10-23T03:50:32Z)
• MuST: Multimodal Spatiotemporal Graph-Transformer for Hospital Readmission Prediction [23.303439847592735]
  本研究は,病院入退院予測のためのMultitemporal Spatio Graph-Transformer (MuST) と呼ばれる新しいモデルを提案する。 グラフコンネットワークと時間変換器を用いることで,ERHおよび胸部X線写真における空間的および時間的依存関係を効果的に捉えることができる。 次に、上記の2つのモードの特徴と、事前訓練されたドメイン固有変換器によって抽出された臨床メモの特徴を組み合わせ、融合変換器を提案する。
  論文  参考訳（メタデータ） (2023-11-11T11:14:07Z)
• Automated Medical Coding on MIMIC-III and MIMIC-IV: A Critical Review and Replicability Study [60.56194508762205]
  我々は、最先端の医療自動化機械学習モデルを再現し、比較し、分析する。 その結果, 弱い構成, サンプル化の不十分さ, 評価の不十分さなどにより, いくつかのモデルの性能が低下していることが判明した。 再生モデルを用いたMIMIC-IVデータセットの総合評価を行った。
  論文  参考訳（メタデータ） (2023-04-21T11:54:44Z)
• Extracting Medication Changes in Clinical Narratives using Pre-trained Language Models [1.1646531300723846]
  本研究は,フリーテキスト臨床ノートから薬物変化情報の自動抽出について検討する。 CMED(Contextual Medication Event dataset)は、医薬品の変化を特徴付ける注釈付き臨床ノートのコーパスである。 CMEDを用いて臨床テキスト中の薬剤の言及を同定し,注釈医薬品の変化特性を解消する3つの新しい高性能BERTシステムを提案する。
  論文  参考訳（メタデータ） (2022-08-17T17:22:48Z)
• Enhancing Causal Estimation through Unlabeled Offline Data [7.305019142196583]
  患者の診断と治療に強い影響を及ぼす未測定の生理的変数について検討したい。 集中的なオフライン情報は、現在の患者と部分的に関係のある以前の患者についてのみ利用可能である。 提案手法は3段階からなる: (i) 非因果推定器と因果推定器の両方を作成するために、豊富なオフラインデータを使用する。 オフラインデータが新しい観測に部分的にのみ関係している状況において、この手法が(医療的でない)実世界のタスクに対して有効であることを示す。
  論文  参考訳（メタデータ） (2022-02-16T07:02:42Z)
• Disentangled Counterfactual Recurrent Networks for Treatment Effect Inference over Time [71.30985926640659]
  本稿では,DCRN(Disentangled Counterfactual Recurrent Network)を提案する。 時間とともに治療効果の因果構造に完全にインスパイアされたアーキテクチャでは、予測精度と疾患理解が向上する。 実データとシミュレーションデータの両方において,DCRNが処理応答予測の最先端手法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-12-07T16:40:28Z)
• MedGPT: Medical Concept Prediction from Clinical Narratives [0.23488056916440858]
  患者の医療履歴の時間的モデリングは、将来の出来事を予測するのに使用できる。 名前付きエンティティ認識とリンクツールを用いたトランスフォーマーベースのパイプラインであるMedGPTを提案する。 本モデルでは, 医療用多選択肢質問応答タスクを用いて, 医療知識を抽出し, 評価を行った。
  論文  参考訳（メタデータ） (2021-07-07T10:36:28Z)
• MIA-Prognosis: A Deep Learning Framework to Predict Therapy Response [58.0291320452122]
  本稿では,患者の予後と治療反応を予測するための統合型深層学習手法を提案する。 我々は,マルチモーダル非同期時系列分類タスクとして,確率モデリングを定式化する。 我々の予測モデルは、長期生存の観点から、低リスク、高リスクの患者をさらに階層化する可能性がある。
  論文  参考訳（メタデータ） (2020-10-08T15:30:17Z)
• 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)
• Estimating Counterfactual Treatment Outcomes over Time Through Adversarially Balanced Representations [114.16762407465427]
  時間とともに治療効果を推定するためにCRN(Counterfactual Recurrent Network)を導入する。 CRNは、患者履歴のバランスの取れた表現を構築するために、ドメイン敵のトレーニングを使用する。 本モデルでは, 正解率の予測と適切な治療時期の選択において, 誤差の低減を図っている。
  論文  参考訳（メタデータ） (2020-02-10T20:47:36Z)

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。