Fugu-MT 論文翻訳(概要): Self-supervision for health insurance claims data: a Covid-19 use case

論文の概要: Self-supervision for health insurance claims data: a Covid-19 use case

arxiv url: http://arxiv.org/abs/2107.14591v1
Date: Mon, 19 Jul 2021 19:00:33 GMT
ステータス: 処理完了
システム内更新日: 2021-08-08 11:03:14.413256
Title: Self-supervision for health insurance claims data: a Covid-19 use case
Title（参考訳）: 医療保険請求データのセルフスーパービジョン:Covid-19のユースケース
Authors: Emilia Apostolova, Fazle Karim, Guido Muscioni, Anubhav Rana, Jeffrey Clyman
Abstract要約: 我々は、患者の医療クレームをフリーテキスト物語に類似した歴史をモデル化し、事前訓練された事前知識を導入する」。以上の結果から, 保険請求に対する事前トレーニングは, 予測性能の向上だけでなく, 臨床信頼性の向上とモデルの安定性・信頼性の向上が示唆された。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this work, we modify and apply self-supervision techniques to the domain of medical health insurance claims. We model patients' healthcare claims history analogous to free-text narratives, and introduce pre-trained `prior knowledge', later utilized for patient outcome predictions on a challenging task: predicting Covid-19 hospitalization, given a patient's pre-Covid-19 insurance claims history. Results suggest that pre-training on insurance claims not only produces better prediction performance, but, more importantly, improves the model's `clinical trustworthiness' and model stability/reliability.
Abstract（参考訳）: 本研究は,医療保険請求の領域に自己監督技術を適用し,適用するものである。我々は、患者の医療保険請求履歴を、フリーテキストの物語に類似したものとしてモデル化し、訓練済みの「事前知識」を導入し、その後、難しいタスクで患者の結果予測に利用した:患者のコビッド19以前の保険請求履歴から、コビッド19の入院を予測する。以上の結果から, 保険請求に対する事前トレーニングは, 予測性能の向上をもたらすだけでなく, モデルの「クリニカル・信頼性」とモデルの安定性・信頼性を向上させることが示唆された。

関連論文リスト

Introducing the Large Medical Model: State of the art healthcare cost and risk prediction with transformers trained on patient event sequences [0.47901560316389713]
大規模医療モデル(Large Medical Model, LMM)は、患者医療と医療管理の幅広い側面をガイドし、予測するために設計された、GPT(Generative Pre-trained Transformer)である。このモデルは、医療用語システムから構築された特別な語彙を用いて、1億4000万件以上の患者の主張記録から医療イベントシーケンスに基づいて訓練されている。 LMMは、最高の商用モデルよりも14.1%のコスト予測と、幅広い条件を予測する研究において最高のトランスフォーマーモデルよりも1.9%の慢性的な条件予測の両方を改善できる。
論文参考訳（メタデータ） (2024-09-19T15:38:21Z)
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)
Automatic diagnosis of knee osteoarthritis severity using Swin transformer [55.01037422579516]
変形性膝関節症 (KOA) は膝関節の慢性的な痛みと硬直を引き起こす疾患である。我々は,Swin Transformer を用いて KOA の重大度を予測する自動手法を提案する。
論文参考訳（メタデータ） (2023-07-10T09:49:30Z)
Predicting COVID-19 and pneumonia complications from admission texts [101.28793285063904]
入院報告に基づき,肺炎やCOVID-19に罹患した患者に対するリスクアセスメントの新たなアプローチを提案する。入院直後の入院報告などのテキストデータにLongformerニューラルネットワークを適用し,リスクスコアを算出した。
論文参考訳（メタデータ） (2023-05-05T16:28:44Z)
Advances in Prediction of Readmission Rates Using Long Term Short Term Memory Networks on Healthcare Insurance Data [1.454498931674109]
30日間の入院は長期にわたる医療問題であり、患者の死亡率や死亡率に影響を与え、年間数十億ドルの費用がかかる。我々は、簡単に利用可能な保険データを利用できる双方向長短メモリ(LSTM)ネットワークを開発した。以上の結果から, 機械学習モデルにより, 全患者に対して妥当な精度で入院リスクを予測できることが示唆された。
論文参考訳（メタデータ） (2022-06-30T19:07:10Z)
COVID-19 Hospitalizations Forecasts Using Internet Search Data [4.748730334762718]
先程提案したインフルエンザ追跡モデルであるARGOを拡張し,今後2週間の全国および州レベルの新規入院を予測した。本手法は,新型コロナウイルスの予測ハブから収集した最良の代替モデルに対して,平均15%のエラー削減を実現する。
論文参考訳（メタデータ） (2022-02-03T21:56:20Z)
Predicting Patient Readmission Risk from Medical Text via Knowledge Graph Enhanced Multiview Graph Convolution [67.72545656557858]
本稿では,電子健康記録の医用テキストを予測に用いる新しい手法を提案する。外部知識グラフによって強化された多視点グラフを有する患者の退院サマリーを表現している。実験により,本手法の有効性が証明され,最先端の性能が得られた。
論文参考訳（メタデータ） (2021-12-19T01:45:57Z)
Forecasting Daily COVID-19 Related Calls in VA Health Care System: Predictive Model Development [1.1011268090482575]
本研究は,110カ所の医療センターに対して,毎日の新型コロナウイルス関連コール数を予測する手法を開発することを目的とする。提案手法では,医療センターの集合体を用いてモデルを事前訓練し,個別の医療センター向けに微調整した。
論文参考訳（メタデータ） (2021-11-27T20:36:08Z)
COVID-Net Clinical ICU: Enhanced Prediction of ICU Admission for COVID-19 Patients via Explainability and Trust Quantification [71.80459780697956]
患者臨床データに基づくICU入院予測のためのニューラルネットワークであるCOVID-Net Clinical ICUを紹介する。提案されたCOVID-Net Clinical ICUは、1,925人のCOVID-19患者からなるシロ・リバネ病院の臨床データセットを使用して構築された。定量的説明可能性戦略を用いたシステムレベルの洞察発見を行い,異なる臨床特徴の意思決定効果について検討した。
論文参考訳（メタデータ） (2021-09-14T14:16:32Z)
Clinical Outcome Prediction from Admission Notes using Self-Supervised Knowledge Integration [55.88616573143478]
臨床テキストからのアウトカム予測は、医師が潜在的なリスクを見落としないようにする。退院時の診断,手術手順,院内死亡率,長期予測は4つの一般的な結果予測対象である。複数の公開資料から得られた患者結果に関する知識を統合するために,臨床結果の事前学習を提案する。
論文参考訳（メタデータ） (2021-02-08T10:26:44Z)
UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
論文参考訳（メタデータ） (2020-10-22T02:28:11Z)

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。