論文の概要: Deep learning for temporal data representation in electronic health records: A systematic review of challenges and methodologies

• arxiv url: http://arxiv.org/abs/2107.09951v1
• Date: Wed, 21 Jul 2021 09:00:40 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-22 19:36:41.053466
• Title: Deep learning for temporal data representation in electronic health records: A systematic review of challenges and methodologies
• Title（参考訳）: 電子健康記録における時間データ表現のための深層学習:課題と方法論の体系的考察
• Authors: Feng Xie, Han Yuan, Yilin Ning, Marcus Eng Hock Ong, Mengling Feng, Wynne Hsu, Bibhas Chakraborty, Nan Liu
• Abstract要約: 一時的な電子健康記録は、臨床イベント予測や慢性疾患管理など、二次的な用途のための豊富な情報である。 我々は,2010年1月1日から2020年8月30日までに,構造化EHRデータにおける時間的データ表現に関する深層学習手法を報告した論文を求めた。 データ不規則性、データ不均一性、データの分散性、モデル不透明性を含む4つの大きな課題が特定された。
• 参考スコア（独自算出の注目度）: 11.584972135829199
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Objective: Temporal electronic health records (EHRs) can be a wealth of information for secondary uses, such as clinical events prediction or chronic disease management. However, challenges exist for temporal data representation. We therefore sought to identify these challenges and evaluate novel methodologies for addressing them through a systematic examination of deep learning solutions. Methods: We searched five databases (PubMed, EMBASE, the Institute of Electrical and Electronics Engineers [IEEE] Xplore Digital Library, the Association for Computing Machinery [ACM] digital library, and Web of Science) complemented with hand-searching in several prestigious computer science conference proceedings. We sought articles that reported deep learning methodologies on temporal data representation in structured EHR data from January 1, 2010, to August 30, 2020. We summarized and analyzed the selected articles from three perspectives: nature of time series, methodology, and model implementation. Results: We included 98 articles related to temporal data representation using deep learning. Four major challenges were identified, including data irregularity, data heterogeneity, data sparsity, and model opacity. We then studied how deep learning techniques were applied to address these challenges. Finally, we discuss some open challenges arising from deep learning. Conclusion: Temporal EHR data present several major challenges for clinical prediction modeling and data utilization. To some extent, current deep learning solutions can address these challenges. Future studies can consider designing comprehensive and integrated solutions. Moreover, researchers should incorporate additional clinical domain knowledge into study designs and enhance the interpretability of the model to facilitate its implementation in clinical practice.
• Abstract（参考訳）: 目的: 時間的電子健康記録(EHR)は、臨床イベント予測や慢性疾患管理など、二次的使用のための豊富な情報である。 しかし、時間的データ表現には課題がある。 そこで我々は,これらの課題を特定し,深層学習ソリューションの体系的検証を通じて課題に取り組むための新しい手法を評価することを試みた。 方法: 5つのデータベース(pubmed, embase, the institute of electrical and electronics engineers [ieee] xplore digital library, the association for computing machinery [acm] digital library, and web of science)を検索し,いくつかの著名なコンピュータサイエンス会議の議事録で手書き検索を行った。 我々は,2010年1月1日から2020年8月30日までに,構造化EHRデータにおける時間的データ表現に関する深層学習手法を報告した論文を求めた。 時系列の性質,方法論,モデル実装という3つの視点から,選択した記事の要約と分析を行った。 結果: 深層学習を用いた時間データ表現に関する98の論文を収録した。 データ不規則性、データ不均一性、データの分散性、モデル不透明性を含む4つの大きな課題が特定された。 そして、これらの課題にどのように深層学習技術を適用したかを研究した。 最後に,ディープラーニングから生じるオープンな課題について論じる。 結論: 時間的EHRデータは, 臨床予測モデルとデータ利用におけるいくつかの大きな課題を提示する。 ある程度は、現在のディープラーニングソリューションはこれらの課題に対処できる。 将来の研究は包括的で統合されたソリューションの設計を考えることができる。 さらに, 臨床領域の知識を研究設計に取り入れ, モデルの解釈可能性を高め, 臨床実践における実装を促進することが必要である。

関連論文リスト

• Underwater Object Detection in the Era of Artificial Intelligence: Current, Challenge, and Future [119.88454942558485]
  水中物体検出(UOD)は、水中の画像やビデオ中の物体を識別し、ローカライズすることを目的としている。 近年、人工知能(AI)に基づく手法、特に深層学習法は、UODにおいて有望な性能を示している。
  論文  参考訳（メタデータ） (2024-10-08T00:25:33Z)
• DREAMS: A python framework to train deep learning models with model card reporting for medical and health applications [7.2934799091933815]
  本稿では,脳波データ処理,モデルトレーニング,レポート生成に適した総合的なディープラーニングフレームワークを提案する。 AI開発者によってさらに適応され、開発されるように構築されているが、モデルカードを通じて、開発者と臨床医の両方が使用する結果と具体的な情報を報告することができる。
  論文  参考訳（メタデータ） (2024-09-26T13:12:13Z)
• 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)
• Recent Advances in Predictive Modeling with Electronic Health Records [71.19967863320647]
  EHRデータを予測モデリングに利用すると、その特徴からいくつかの課題が生じる。 深層学習は、医療を含む様々な応用においてその優位性を示している。
  論文  参考訳（メタデータ） (2024-02-02T00:31:01Z)
• Machine Learning for Multimodal Electronic Health Records-based Research: Challenges and Perspectives [22.230972071321357]
  電子健康記録は患者の健康史に関する豊富な情報を含んでいる。 構造化されたデータに頼ることは 患者の包括的情報を反映するのに 不十分かもしれない 多くの研究が、構造化されていない自由テキストデータも取り入れることで、より正確な結果を得ようとしている。
  論文  参考訳（メタデータ） (2021-11-09T01:19:11Z)
• Time Series Prediction using Deep Learning Methods in Healthcare [0.0]
  従来の機械学習手法は、医療予測分析タスクを扱う上で2つの大きな課題に直面している。 医療データの高次元的な性質は、新しいタスクごとに適切な機能のセットを選択するために、労働集約的なプロセスを必要とする。 近年の深層学習手法は、様々な医療予測タスクに有望な性能を示した。
  論文  参考訳（メタデータ） (2021-08-30T18:14:27Z)
• A Review of Deep Learning Methods for Irregularly Sampled Medical Time Series Data [7.735948372571363]
  不規則サンプリング時系列(ISTS)データは、観測とシーケンス間の異なるサンプリング率の間に不規則な時間間隔を持つ。 EHRデータの深層学習法は、パーソナライズされた治療、正確な診断、医療管理に重要である。 本稿では,これらの深層学習手法を,技術とタスクの観点から概観する。
  論文  参考訳（メタデータ） (2020-10-23T15:51:23Z)
• Deep Representation Learning of Patient Data from Electronic Health Records (EHR): A Systematic Review [20.621261286239967]
  患者表現学習とは、電子健康記録から意味のある情報をエンコードする患者の密度の高い数学的表現を学ぶことを指す。 本研究は, この分野の体系的なレビューを行い, 方法論的観点から質的, 定量的な分析を行った。
  論文  参考訳（メタデータ） (2020-10-06T15:18:02Z)
• 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)
• Uncovering the structure of clinical EEG signals with self-supervised learning [64.4754948595556]
  教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。 この現象は脳波(EEG)などの臨床関連データに特に問題となる。 ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
  論文  参考訳（メタデータ） (2020-07-31T14:34:47Z)
• Opportunities and Challenges of Deep Learning Methods for Electrocardiogram Data: A Systematic Review [62.490310870300746]
  心電図(Electrocardiogram、ECG)は、医学および医療において最も一般的に用いられる診断ツールの1つである。 深層学習法は心電図信号を用いた予測医療タスクにおいて有望な結果を得た。 本稿では、モデリングとアプリケーションの観点から、ECGデータに対するディープラーニング手法の体系的なレビューを行う。
  論文  参考訳（メタデータ） (2019-12-28T02:44:29Z)

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。