論文の概要: Adaptively Weighted Top-N Recommendation for Organ Matching

• arxiv url: http://arxiv.org/abs/2107.10971v1
• Date: Fri, 23 Jul 2021 00:42:01 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-26 14:14:33.966091
• Title: Adaptively Weighted Top-N Recommendation for Organ Matching
• Title（参考訳）: 臓器マッチングのための適応重み付きトップN勧告
• Authors: Parshin Shojaee, Xiaoyu Chen and Ran Jin
• Abstract要約: 臓器整合判定のための適応重み付きTop-Nレコメンデーション(AWTR)法を提案する。 AWTRは、過去のデータセットにおいて、限られた実際のマッチング性能を使用することで、現在のスコアリングモデルの性能を向上させる。 AWTRは、トップNマッチング患者の推奨とランキングの精度を強調することで、全体的なレコメンデーションの精度を犠牲にする。
• 参考スコア（独自算出の注目度）: 5.585270308006354
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reducing the shortage of organ donations to meet the demands of patients on the waiting list has being a major challenge in organ transplantation. Because of the shortage, organ matching decision is the most critical decision to assign the limited viable organs to the most suitable patients. Currently, organ matching decisions were only made by matching scores calculated via scoring models, which are built by the first principles. However, these models may disagree with the actual post-transplantation matching performance (e.g., patient's post-transplant quality of life (QoL) or graft failure measurements). In this paper, we formulate the organ matching decision-making as a top-N recommendation problem and propose an Adaptively Weighted Top-N Recommendation (AWTR) method. AWTR improves performance of the current scoring models by using limited actual matching performance in historical data set as well as the collected covariates from organ donors and patients. AWTR sacrifices the overall recommendation accuracy by emphasizing the recommendation and ranking accuracy for top-N matched patients. The proposed method is validated in a simulation study, where KAS [60] is used to simulate the organ-patient recommendation response. The results show that our proposed method outperforms seven state-of-the-art top-N recommendation benchmark methods.
• Abstract（参考訳）: 臓器移植では,待ち行列の患者のニーズを満たすための臓器提供の不足が大きな課題となっている。 この不足のため、臓器マッチングの決定は、最も適切な患者に限られた臓器を割り当てる最も重要な決定である。 現在、オルガンマッチングの決定は、最初の原則によって構築されたスコアモデルによって計算されたスコアのマッチングによってのみ行われています。 しかし、これらのモデルは移植後マッチングのパフォーマンス(例えば、患者の移植後品質(QoL)や移植後の故障測定など)に矛盾する可能性がある。 本稿では,臓器マッチング決定をトップNレコメンデーション問題として定式化し,適応重み付きトップNレコメンデーション(AWTR)法を提案する。 AWTRは,臓器提供者や患者からの収集した共変量だけでなく,過去のデータセットにおける実際のマッチング性能の制限を利用して,現在のスコアリングモデルの性能を向上させる。 AWTRは、トップNマッチング患者の推奨とランキングの精度を強調することで、全体的なレコメンデーション精度を犠牲にする。 KAS[60]を用いて臓器-患者の推奨応答をシミュレートするシミュレーション実験で,本手法の有効性を検証した。 その結果,提案手法は,最先端の7つの提案手法よりも優れていることがわかった。

関連論文リスト

• Optimizing Hard-to-Place Kidney Allocation: A Machine Learning Approach to Center Ranking [0.4893345190925178]
  そこで本稿では, 中心に腎を配置するデータ駆動型機械学習によるランキングシステムを提案する。 本実験により, 提案方針は, 全腎臓に4倍, 固着腎臓に10倍のセンター数を減らした。
  論文  参考訳（メタデータ） (2024-10-10T17:15:41Z)
• Learning Deep Tree-based Retriever for Efficient Recommendation: Theory and Method [76.31185707649227]
  効率的なレコメンデーションのために,Deep Tree-based Retriever (DTR)を提案する。 DTRは、トレーニングタスクを、同じレベルでツリーノード上のソフトマックスベースのマルチクラス分類としてフレーム化している。 非リーフノードのラベル付けによって引き起こされる準最適性を緩和するため、損失関数の補正法を提案する。
  論文  参考訳（メタデータ） (2024-08-21T05:09:53Z)
• Towards Efficient Patient Recruitment for Clinical Trials: Application of a Prompt-Based Learning Model [0.7373617024876725]
  臨床試験は医薬品の介入を促進するのに不可欠であるが、適格な参加者を選ぶ際にボトルネックに直面している。 構造化されていない医療用テキストの複雑な性質は、参加者を効率的に識別する上での課題である。 本研究では,コホート選択課題に対するプロンプトベース大規模言語モデルの性能評価を目的とした。
  論文  参考訳（メタデータ） (2024-04-24T20:42:28Z)
• Machine learning-based patient selection in an emergency department [0.0]
  本稿では機械学習(ML)に基づく患者選択手法の可能性について検討する。 システムの包括的な状態表現と、複雑な非線形選択関数が組み込まれている。 その結果,提案手法は評価条件の大部分においてAPQ法よりも有意に優れていた。
  論文  参考訳（メタデータ） (2022-06-08T08:56:52Z)
• Learning $\mathbf{\mathit{Matching}}$ Representations for Individualized Organ Transplantation Allocation [98.43063331640538]
  臓器アロケーションと移植結果の観察データを用いて,臓器マッチングのためのデータ駆動型ルールの学習問題を定式化する。 本稿では,表現学習に基づくモデルを提案し,ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ドナー/ド 本モデルは,ヒトの専門家が実施する最先端のアロケーション手法やポリシーより優れる。
  論文  参考訳（メタデータ） (2021-01-28T01:33:21Z)
• iPhantom: a framework for automated creation of individualized computational phantoms and its application to CT organ dosimetry [58.943644554192936]
  本研究の目的は、患者固有の幻覚やデジタル双眼鏡の自動作成のための新しいフレームワーク、iPhantomを開発し、検証することである。 この枠組みは、個々の患者のCT画像における放射線感受性臓器への放射線線量を評価するために応用される。 iPhantomは、アンカーオルガンのDice similarity Coefficients (DSC) >0.6の精度で全ての臓器の位置を正確に予測し、他のオルガンのDSCは0.3-0.9である。
  論文  参考訳（メタデータ） (2020-08-20T01:50:49Z)
• Aligning with Heterogeneous Preferences for Kidney Exchange [7.858296711223292]
  不均一な道徳的嗜好に基づいて患者を優先する手法を提案する。 本手法は, サンプル選好順序における一致患者の平均ランクを上昇させ, グループ選好の満足度の向上を示唆する。
  論文  参考訳（メタデータ） (2020-06-16T21:16:53Z)
• Adapting a Kidney Exchange Algorithm to Align with Human Values [59.395925461012126]
  腎臓交換における個人プロファイルの重み付けをエンドツーエンドに推定する手法を提案する。 これらの重量を腎臓交換市場浄化アルゴリズムでどのように使うかを示す。
  論文  参考訳（メタデータ） (2020-05-19T21:00:29Z)
• DTR Bandit: Learning to Make Response-Adaptive Decisions With Low Regret [59.81290762273153]
  動的治療体制 (DTR) はパーソナライズされ適応された多段階の治療計画であり、治療決定を個人の初期特徴に適応させ、その後の各段階における中間結果と特徴に適応させる。 本稿では,探索と搾取を慎重にバランスさせることで,遷移モデルと報酬モデルが線形である場合に,速度-最適後悔を実現する新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-05-06T13:03:42Z)
• DeepEnroll: Patient-Trial Matching with Deep Embedding and Entailment Prediction [67.91606509226132]
  臨床試験は医薬品開発に不可欠であるが、高価で不正確で不十分な患者募集に苦しむことが多い。 DeepEnrollは、入力基準(タブラリデータ)を一致する推論のための共有潜在空間に共同でエンコードする、クロスモーダル推論学習モデルである。
  論文  参考訳（メタデータ） (2020-01-22T17:51:25Z)

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。