論文の概要: Medical Profile Model: Scientific and Practical Applications in Healthcare

• arxiv url: http://arxiv.org/abs/2107.03913v3
• Date: Sun, 29 Oct 2023 08:04:16 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-01 01:36:23.254081
• Title: Medical Profile Model: Scientific and Practical Applications in Healthcare
• Title（参考訳）: 医療プロファイルモデル:医療における科学的・実践的応用
• Authors: Pavel Blinov, Vladimir Kokh
• Abstract要約: 本研究は, 患者の病歴を, 病の時間的シーケンスとして提示し, その埋め込みを教師なしで学習する。 埋め込みスペースには、一般化された患者プロファイルの作成を可能にする人口統計パラメータが含まれている。 このような医療プロファイルモデルのトレーニングは、100万人以上の患者のデータセット上で実施されている。
• 参考スコア（独自算出の注目度）: 1.718235998156457
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The paper researches the problem of representation learning for electronic health records. We present the patient histories as temporal sequences of diseases for which embeddings are learned in an unsupervised setup with a transformer-based neural network model. Additionally the embedding space includes demographic parameters which allow the creation of generalized patient profiles and successful transfer of medical knowledge to other domains. The training of such a medical profile model has been performed on a dataset of more than one million patients. Detailed model analysis and its comparison with the state-of-the-art method show its clear advantage in the diagnosis prediction task. Further, we show two applications based on the developed profile model. First, a novel Harbinger Disease Discovery method allowing to reveal disease associated hypotheses and potentially are beneficial in the design of epidemiological studies. Second, the patient embeddings extracted from the profile model applied to the insurance scoring task allow significant improvement in the performance metrics.
• Abstract（参考訳）: 電子健康記録における表現学習の課題について考察する。 本稿では, 患者履歴を, トランスフォーマーベースニューラルネットワークモデルを用いた教師なし設定で, 埋め込みを学習する病気の時間的シーケンスとして提示する。 埋め込みスペースには、一般的な患者プロファイルの作成と、他のドメインへの医療知識の転送を成功させるための人口統計パラメータが含まれている。 このような医療プロファイルモデルのトレーニングは、100万人以上の患者のデータセットで行われている。 詳細なモデル解析と最先端法との比較は, 診断予測タスクにおいて明らかに有利であることを示す。 さらに,開発したプロファイルモデルに基づく2つのアプリケーションを示す。 まず, 新たなハビンジャー病の発見法により, 疾患関連仮説を解明し, 疫学研究の設計に有用である可能性が示唆された。 第2に、保険評価タスクに適用したプロファイルモデルから抽出した患者埋め込みは、パフォーマンス指標を大幅に改善する。

関連論文リスト

• Towards a Transportable Causal Network Model Based on Observational Healthcare Data [1.333879175460266]
  本稿では,選択図,不足グラフ,因果発見,事前知識を1つのグラフィカルモデルに組み合わせた新しい手法を提案する。 このモデルは、患者の2つの異なるコホートからなるデータから学習する。 結果として得られた因果ネットワークモデルは、リスク評価、正確性、説明可能性の観点から専門家臨床医によって検証される。
  論文  参考訳（メタデータ） (2023-11-13T13:23:31Z)
• An Interpretable Deep-Learning Framework for Predicting Hospital Readmissions From Electronic Health Records [2.156208381257605]
  そこで我々は,未計画の病院入退院を予測するための,新しい,解釈可能な深層学習フレームワークを提案する。 実際のデータを用いて,30日と180日以内に病院入退院の2つの予測課題について,本システムの有効性を検証した。
  論文  参考訳（メタデータ） (2023-10-16T08:48:52Z)
• MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
  本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。 トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。 ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
  論文  参考訳（メタデータ） (2023-10-04T01:36:30Z)
• Safe AI for health and beyond -- Monitoring to transform a health service [51.8524501805308]
  機械学習アルゴリズムの出力を監視するために必要なインフラストラクチャを評価する。 モデルのモニタリングと更新の例を示す2つのシナリオを提示します。
  論文  参考訳（メタデータ） (2023-03-02T17:27:45Z)
• This Patient Looks Like That Patient: Prototypical Networks for Interpretable Diagnosis Prediction from Clinical Text [56.32427751440426]
  臨床実践においては、そのようなモデルは正確であるだけでなく、医師に解釈可能で有益な結果を与える必要がある。 本稿では,プロトタイプネットワークに基づく新しい手法であるProtoPatientを紹介する。 利用可能な2つの臨床データセット上でモデルを評価し、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） (2022-10-16T10:12:07Z)
• 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)
• Development of patients triage algorithm from nationwide COVID-19 registry data based on machine learning [1.0323063834827415]
  本稿では,機械学習技術を用いた重症度評価モデルの開発過程について述べる。 モデルは基本的な患者の基本的個人データのみを必要とするため、患者は自身の重症度を判断できる。 本研究の目的は、患者が自身の重症度をチェックできる医療システムを構築し、同様の重症度を持つ他の患者の過去の治療内容に基づいて、適切な診療所への訪問を通知することである。
  論文  参考訳（メタデータ） (2021-09-18T19:56:27Z)
• Adversarial Sample Enhanced Domain Adaptation: A Case Study on Predictive Modeling with Electronic Health Records [57.75125067744978]
  ドメイン適応を容易にするデータ拡張手法を提案する。 逆生成したサンプルはドメイン適応時に使用される。 その結果,本手法の有効性とタスクの一般性が確認された。
  論文  参考訳（メタデータ） (2021-01-13T03:20:20Z)
• Patient-independent Epileptic Seizure Prediction using Deep Learning Models [39.19336481493405]
  発作予知システムの目的は、発作が起こる前に起こる前頭前脳のステージを正常に識別することである。 患者に依存しない発作予測モデルは、データセット内の複数の被験者に正確なパフォーマンスを提供するように設計されている。 患者に依存しない2つの深層学習アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-11-18T23:13:48Z)
• 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)
• Predicting Clinical Diagnosis from Patients Electronic Health Records Using BERT-based Neural Networks [62.9447303059342]
  医療コミュニティにおけるこの問題の重要性を示す。 本稿では,変換器 (BERT) モデルによる2方向表現の分類順序の変更について述べる。 約400万人のユニークな患者訪問からなる、大規模なロシアのEHRデータセットを使用します。
  論文  参考訳（メタデータ） (2020-07-15T09:22:55Z)

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。