論文の概要: Unifying Heterogenous Electronic Health Records Systems via Text-Based Code Embedding

• arxiv url: http://arxiv.org/abs/2108.03625v1
• Date: Sun, 8 Aug 2021 12:47:42 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-10 15:03:23.618124
• Title: Unifying Heterogenous Electronic Health Records Systems via Text-Based Code Embedding
• Title（参考訳）: テキストベースコード埋め込みによる異種電子健康記録システムの統合
• Authors: Kyunghoon Hur, Jiyoung Lee, Jungwoo Oh, Wesley Price, Young-Hak Kim, Edward Choi
• Abstract要約: 本稿では,コードに依存しない記述に基づく表現学習フレームワークであるDescEmbを紹介した。 予測タスクや伝達学習,プール学習など,さまざまな実験において,モデルの性能を検証した。
• 参考スコア（独自算出の注目度）: 7.3394352452936085
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Substantial increase in the use of Electronic Health Records (EHRs) has opened new frontiers for predictive healthcare. However, while EHR systems are nearly ubiquitous, they lack a unified code system for representing medical concepts. Heterogeneous formats of EHR present a substantial barrier for the training and deployment of state-of-the-art deep learning models at scale. To overcome this problem, we introduce Description-based Embedding, DescEmb, a code-agnostic description-based representation learning framework for predictive modeling on EHR. DescEmb takes advantage of the flexibility of neural language understanding models while maintaining a neutral approach that can be combined with prior frameworks for task-specific representation learning or predictive modeling. We tested our model's capacity on various experiments including prediction tasks, transfer learning and pooled learning. DescEmb shows higher performance in overall experiments compared to code-based approach, opening the door to a text-based approach in predictive healthcare research that is not constrained by EHR structure nor special domain knowledge.
• Abstract（参考訳）: 電子健康記録(EHR)の使用の実質的な増加は、予測医療のための新たなフロンティアを開拓した。 しかし、EHRシステムはユビキタスに近いが、医療概念を表現するための統一コードシステムがない。 EHRの不均一なフォーマットは、最先端のディープラーニングモデルを大規模にトレーニングし、デプロイするための大きな障壁となる。 本稿では,ehl上での予測モデリングを行うための,コードに依存しない記述ベース表現学習フレームワークdescembを紹介する。 DescEmbは、タスク固有の表現学習や予測モデリングの以前のフレームワークと組み合わせられる中立的なアプローチを維持しながら、ニューラルネットワーク理解モデルの柔軟性を活用する。 予測タスクや転校学習,プール学習など,さまざまな実験でモデルのキャパシティをテストした。 DescEmbは、EHR構造や特別なドメイン知識に制約されない予測医療研究において、テキストベースのアプローチへの扉を開く、コードベースのアプローチと比較して、全体的な実験のパフォーマンスを示している。

関連論文リスト

• Synthesizing Multimodal Electronic Health Records via Predictive Diffusion Models [69.06149482021071]
  EHRPDと呼ばれる新しいEHRデータ生成モデルを提案する。 時間間隔推定を組み込んだ拡散モデルである。 我々は2つの公開データセットで実験を行い、忠実さ、プライバシー、実用性の観点からEPHPDを評価する。
  論文  参考訳（メタデータ） (2024-06-20T02:20:23Z)
• Recent Advances in Predictive Modeling with Electronic Health Records [73.31880579203012]
  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)
• Scaling Representation Learning from Ubiquitous ECG with State-Space Models [28.776392386988043]
  我々は、ECG信号からの表現学習のための事前訓練された状態空間モデルであるtextbfWildECGを紹介する。 我々は,275,000個のECG記録を野生で収集し,下流のタスクで評価することで,このモデルを自己指導的に訓練する。
  論文  参考訳（メタデータ） (2023-09-26T22:08:19Z)
• An interpretable deep learning method for bearing fault diagnosis [12.069344716912843]
  我々は、グラディエント重み付きクラス活性化マッピング(Grad-CAM)可視化を用いた畳み込みニューラルネットワーク(CNN)を用いて、ベアリング障害を分類するための解釈可能なディープラーニング(DL)手法を構築した。 モデル評価過程において,提案手法は特徴量の類似性に応じて,健康図書館から予測ベースサンプルを検索する。
  論文  参考訳（メタデータ） (2023-08-20T15:22:08Z)
• Can Current Explainability Help Provide References in Clinical Notes to Support Humans Annotate Medical Codes? [53.45585591262433]
  本稿では、注意スコアに基づくxRAC-ATTNと、モデルに依存しない知識蒸留に基づくxRAC-KDの2つのアプローチについて説明する。 我々は,xRAC-ATTNが強調した支持エビデンステキストが,xRAC-KDよりも高品質であるのに対して,xRAC-KDは本番環境において潜在的に有利であることを示した。
  論文  参考訳（メタデータ） (2022-10-28T04:06:07Z)
• Unifying Heterogenous Electronic Health Records Systems via Text-Based Code Embedding [7.3394352452936085]
  EHRのためのコードに依存しない表現学習フレームワークであるDescription-based Embedding,DescEmbを紹介する。 DescEmbは、それぞれのイベントを直接専用の埋め込みにマッピングするのではなく、テキストのデクリプションを使用して臨床イベントを埋め込むニューラルネットワーク理解モデルの柔軟性を活用する。
  論文  参考訳（メタデータ） (2021-11-12T20:27:55Z)
• Self-Supervised Graph Learning with Hyperbolic Embedding for Temporal Health Event Prediction [13.24834156675212]
  本稿では,情報フローを組み込んだハイパーボリック埋め込み手法を提案する。 我々は、これらの事前学習された表現をグラフニューラルネットワークに組み込んで、疾患の合併症を検出する。 本稿では,EHRデータを完全に活用する自己教師付き学習フレームワークに,階層型で強化された履歴予測代行タスクを提案する。
  論文  参考訳（メタデータ） (2021-06-09T00:42:44Z)
• Integrating Expert ODEs into Neural ODEs: Pharmacology and Disease Progression [71.7560927415706]
  潜在ハイブリッドモデル(LHM)は、専門家が設計したODEのシステムと機械学習したNeural ODEを統合し、システムのダイナミクスを完全に記述する。 新型コロナウイルス患者のLHMと実世界の集中治療データについて検討した。
  論文  参考訳（メタデータ） (2021-06-05T11:42:45Z)
• A Meta-embedding-based Ensemble Approach for ICD Coding Prediction [64.42386426730695]
  国際疾病分類 (icd) は、世界中で臨床コーディングに使われているデファクトコードである。 これらのコードにより、医療提供者は償還を請求し、診断情報の効率的な保管と検索を容易にします。 提案手法は,日常的な医学データと科学論文の外部知識を用いて,効果的に単語ベクトルを訓練することにより,神経モデルの性能を高める。
  論文  参考訳（メタデータ） (2021-02-26T17:49:58Z)
• Concept-based model explanations for Electronic Health Records [1.6837409766909865]
  概念活性化ベクトル(TCAV)を用いたテストは、人間に理解可能な説明を提供する手段として最近導入された。 本手法を時系列データに拡張し,TCAVの適用をEHRの逐次予測に適用する。
  論文  参考訳（メタデータ） (2020-12-03T22:18:24Z)
• 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。