論文の概要: Transformer-based unsupervised patient representation learning based on
medical claims for risk stratification and analysis
- arxiv url: http://arxiv.org/abs/2106.12658v1
- Date: Wed, 23 Jun 2021 21:29:50 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-26 09:29:32.238614
- Title: Transformer-based unsupervised patient representation learning based on
medical claims for risk stratification and analysis
- Title（参考訳）: リスク階層化と分析のための医療的主張に基づくトランスフォーマーに基づく教師なし患者表現学習
- Authors: Xianlong Zeng, Simon Lin, Chang Liu
- Abstract要約: トランスフォーマーベースのマルチモーダルオートエンコーダ(TMAE)は,クレームデータから有意義な情報を符号化することで,効率的な患者表現を学習することができる。
我々は,60,000人以上の患者を対象とする実世界の小児検診データセットを用いてTMAEを訓練した。
- 参考スコア（独自算出の注目度）: 3.5492837081144204
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The claims data, containing medical codes, services information, and incurred
expenditure, can be a good resource for estimating an individual's health
condition and medical risk level. In this study, we developed Transformer-based
Multimodal AutoEncoder (TMAE), an unsupervised learning framework that can
learn efficient patient representation by encoding meaningful information from
the claims data. TMAE is motivated by the practical needs in healthcare to
stratify patients into different risk levels for improving care delivery and
management. Compared to previous approaches, TMAE is able to 1) model
inpatient, outpatient, and medication claims collectively, 2) handle irregular
time intervals between medical events, 3) alleviate the sparsity issue of the
rare medical codes, and 4) incorporate medical expenditure information. We
trained TMAE using a real-world pediatric claims dataset containing more than
600,000 patients and compared its performance with various approaches in two
clustering tasks. Experimental results demonstrate that TMAE has superior
performance compared to all baselines. Multiple downstream applications are
also conducted to illustrate the effectiveness of our framework. The promising
results confirm that the TMAE framework is scalable to large claims data and is
able to generate efficient patient embeddings for risk stratification and
analysis.
- Abstract（参考訳）: クレームデータは、医療コード、サービス情報、および発生した支出を含むものであり、個人の健康状態と医療リスクレベルを推定するのによい資源である。
本研究では,マルチモーダルオートエンコーダ(tmae,transformer-based multimodal autoencoder)を開発した。
TMAEは、医療の実践的なニーズにより、患者を異なるリスクレベルに階層化し、ケア提供と管理を改善する。
従来のアプローチと比較して, TMAEは, 1) 入院者, 外来患者, 服薬請求を総合的にモデル化し, 2) 医療イベント間の不規則な時間間隔を処理し, 3) まれな医療基準の空白問題を緩和し, 4) 医療費情報を組み込むことができる。
我々は,60万人以上の患者を含む実世界の小児クレームデータセットを用いてtmaeを訓練し,その性能を2つのクラスタリングタスクにおける様々なアプローチと比較した。
実験の結果, TMAEは全てのベースラインに比べて優れた性能を示した。
フレームワークの有効性を説明するために、複数のダウンストリームアプリケーションも実施する。
有望な結果は,TMAEフレームワークが大規模クレームデータに対してスケーラブルであり,リスク階層化と分析のために効率的な患者埋め込みを生成することができることを確認した。
関連論文リスト
- AIPatient: Simulating Patients with EHRs and LLM Powered Agentic Workflow [33.8495939261319]
本稿では,AIPatient Knowledge Graph (AIPatient KG) を入力とし,生成バックボーンとしてReasoning Retrieval-Augmented Generation (RAG) を開発した。
Reasoning RAGは、検索、KGクエリ生成、抽象化、チェッカー、書き直し、要約を含むタスクにまたがる6つのLLMエージェントを活用する。
ANOVA F-value 0.6126, p>0.1, ANOVA F-value 0.782, p>0.1, ANOVA F-value 0.782, p>0.1, ANOVA F-value 0.6126, p>0.1)。
論文 参考訳（メタデータ） (2024-09-27T17:17:15Z) - TrialBench: Multi-Modal Artificial Intelligence-Ready Clinical Trial Datasets [57.067409211231244]
本稿では,マルチモーダルデータ(例えば,薬物分子,疾患コード,テキスト,分類・数値的特徴)と臨床治験設計における8つの重要な予測課題をカバーするAIreadyデータセットを精巧にキュレートした。
データセットのユーザビリティと信頼性を確保するため、各タスクに基本的な検証方法を提供する。
このようなオープンアクセスデータセットが利用可能になることは、臨床試験設計のための高度なAIアプローチの開発を促進することを期待する。
論文 参考訳（メタデータ） (2024-06-30T09:13:10Z) - XAI for In-hospital Mortality Prediction via Multimodal ICU Data [57.73357047856416]
マルチモーダルICUデータを用いて病院内死亡率を予測するための,効率的で説明可能なAIソリューションを提案する。
我々は,臨床データから異種入力を受信し,意思決定を行うマルチモーダル・ラーニングを我々のフレームワークに導入する。
我々の枠組みは、医療研究において重要な要素の発見を容易にする他の臨床課題に容易に移行することができる。
論文 参考訳（メタデータ） (2023-12-29T14:28:04Z) - DR-VIDAL -- Doubly Robust Variational Information-theoretic Deep
Adversarial Learning for Counterfactual Prediction and Treatment Effect
Estimation on Real World Data [7.712429926730386]
因果深い学習は、個別化された治療効果を推定する伝統的な手法よりも改善された。
DR-VIDALは治療と結果の2つのジョイントモデルを組み合わせた新しい生成フレームワークである。
DR-VIDALは、合成および実世界のデータセットにおいて、他の生成的および生成的手法よりも優れた性能を達成する。
論文 参考訳（メタデータ） (2023-03-07T19:44:58Z) - 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) - Robust and Efficient Medical Imaging with Self-Supervision [80.62711706785834]
医用画像AIの堅牢性とデータ効率を向上させるための統一表現学習戦略であるREMEDISを提案する。
様々な医療画像タスクを研究し, 振り返りデータを用いて3つの現実的な応用シナリオをシミュレートする。
論文 参考訳（メタデータ） (2022-05-19T17:34:18Z) - 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) - HINT: Hierarchical Interaction Network for Trial Outcome Prediction
Leveraging Web Data [56.53715632642495]
臨床試験は、有効性、安全性、または患者採用の問題により、不確実な結果に直面する。
本稿では,より一般的な臨床試験結果予測のための階層型Interaction Network(HINT)を提案する。
論文 参考訳（メタデータ） (2021-02-08T15:09:07Z) - FIT: a Fast and Accurate Framework for Solving Medical Inquiring and
Diagnosing Tasks [10.687562550605739]
自己診断(Self-diagnosis)は、患者をクエリーし、疾患の予測を行うエージェントを介して、低コストでアクセス可能な医療を提供する。
我々は、次に収集するデータを決定するために情報理論の報酬を使用するFITと呼ばれる競合フレームワークを提案する。
シミュレーションした2つのデータセットから、FITは大規模な検索空間問題に効果的に対処でき、既存のベースラインよりも優れていることを示す。
論文 参考訳（メタデータ） (2020-12-02T10:12:49Z) - 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) - CovidCare: Transferring Knowledge from Existing EMR to Emerging Epidemic
for Interpretable Prognosis [20.701122594508675]
新興感染症患者の予後を高めるための深層学習型アプローチであるCovidCareを提案する。
CovidCareは、トランスファーラーニングを通じて、大量の既存のEMRデータに基づいて、新型コロナウイルス関連の医療機能を組み込むことを学ぶ。
実際のCOVID-19データセット上で、患者に対する滞在予測実験の期間を延ばす。
論文 参考訳（メタデータ） (2020-07-17T09:20:56Z)
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。