論文の概要: Beyond Topics: Discovering Latent Healthcare Objectives from Event
Sequences
- arxiv url: http://arxiv.org/abs/2110.01160v1
- Date: Mon, 4 Oct 2021 02:52:14 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-05 15:59:30.921573
- Title: Beyond Topics: Discovering Latent Healthcare Objectives from Event
Sequences
- Title(参考訳): トピックを超えて:イベントシーケンスから潜在医療目標を発見する
- Authors: Adrian Caruana, Madhushi Bandara, Daniel Catchpoole, Paul J Kennedy
- Abstract要約: 臨床プロトコルと患者経路の有意義な理解は、医療結果の改善に役立つ。
この課題を解決するために、医療管理活動に関連する医療目的は、HRにおいて潜在トピックとして間接的に観察することができる。
私たちの新しいアプローチであるCategorical Sequence(CaSE)は、これらの欠点に対処しています。
合成ERH配列では、CaSEは医療目的の特定においてLDAを最大37%上回っている。
現実世界のMIMIC-IIIデータセットでは、CaSEはプロトコルと経路開発を著しく強化する意味のある表現を識別する。
- 参考スコア(独自算出の注目度): 1.076210145983805
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A meaningful understanding of clinical protocols and patient pathways helps
improve healthcare outcomes. Electronic health records (EHR) reflect real-world
treatment behaviours that are used to enhance healthcare management but present
challenges; protocols and pathways are often loosely defined and with elements
frequently not recorded in EHRs, complicating the enhancement. To solve this
challenge, healthcare objectives associated with healthcare management
activities can be indirectly observed in EHRs as latent topics. Topic models,
such as Latent Dirichlet Allocation (LDA), are used to identify latent patterns
in EHR data. However, they do not examine the ordered nature of EHR sequences,
nor do they appraise individual events in isolation. Our novel approach, the
Categorical Sequence Encoder (CaSE) addresses these shortcomings. The
sequential nature of EHRs is captured by CaSE's event-level representations,
revealing latent healthcare objectives. In synthetic EHR sequences, CaSE
outperforms LDA by up to 37% at identifying healthcare objectives. In the
real-world MIMIC-III dataset, CaSE identifies meaningful representations that
could critically enhance protocol and pathway development.
- Abstract(参考訳): 臨床プロトコルと患者経路の有意義な理解は、医療結果の改善に役立つ。
電子健康記録(EHR)は、医療管理を強化するのに使用されるが、課題を提示する実際の治療行動を反映しており、プロトコルや経路はしばしば緩やかに定義され、要素はEHRに記録されず、拡張を複雑にしている。
この課題を解決するために、医療管理活動に関連する医療目的は、HRにおいて潜在トピックとして間接的に観察することができる。
Latent Dirichlet Allocation (LDA)のようなトピックモデルは、EHRデータの潜在パターンを特定するために使用される。
しかし、EHR配列の順序性や、個別の事象を個別に評価するわけではない。
我々の新しいアプローチであるCategorical Sequence Encoder (CaSE)はこれらの欠点に対処する。
EHRのシーケンシャルな性質は、CaSEのイベントレベルの表現によって捉えられ、潜伏する医療目的を明らかにする。
合成ERH配列では、CaSEは医療目的の特定においてLDAを最大37%上回っている。
現実世界のMIMIC-IIIデータセットでは、CaSEはプロトコルと経路開発を著しく強化する意味のある表現を識別する。
関連論文リスト
- HealthGAT: Node Classifications in Electronic Health Records using Graph Attention Networks [2.2026317523029193]
HealthGATは、EHRから埋め込みを生成するグラフアテンションネットワークフレームワークである。
本モデルでは,医療コードへの埋め込みを反復的に洗練し,EHRデータ解析の改善を実現している。
本モデルでは,ノード分類や,可読度予測や診断分類などの下流タスクにおいて,優れた性能を示す。
論文 参考訳(メタデータ) (2024-03-26T22:17:01Z) - Prompting Large Language Models for Zero-Shot Clinical Prediction with
Structured Longitudinal Electronic Health Record Data [7.815738943706123]
大規模言語モデル(LLM)は、伝統的に自然言語処理に向いている。
本研究では, GPT-4 などの LLM の EHR データへの適応性について検討する。
EHRデータの長手性、スパース性、知識を注入した性質に対応するため、本研究は特定の特徴を考慮に入れている。
論文 参考訳(メタデータ) (2024-01-25T20:14:50Z) - Next Visit Diagnosis Prediction via Medical Code-Centric Multimodal Contrastive EHR Modelling with Hierarchical Regularisation [0.0]
NECHOは,階層的正規化を伴う新しい医用コード中心のマルチモーダル・コントラスト学習フレームワークである。
まず, 医用コード, 人口統計, 臨床ノートを含む多面的情報をネットワーク設計を用いて統合する。
また,EHRデータの階層構造を学習するために,医療オントロジーにおける親レベル情報を用いてモダリティ固有のエンコーダを正規化する。
論文 参考訳(メタデータ) (2024-01-22T01:58:32Z) - Deep Reinforcement Learning Empowered Activity-Aware Dynamic Health
Monitoring Systems [69.41229290253605]
既存のモニタリングアプローチは、医療機器が複数の健康指標を同時に追跡するという前提で設計されている。
これは、その範囲内で関連するすべての健康値を報告し、過剰なリソース使用と外部データの収集をもたらす可能性があることを意味します。
最適なモニタリング性能とコスト効率のバランスをとるための動的アクティビティ・アウェアヘルスモニタリング戦略(DActAHM)を提案する。
論文 参考訳(メタデータ) (2024-01-19T16:26:35Z) - LATTE: Label-efficient Incident Phenotyping from Longitudinal Electronic
Health Records [11.408950540503112]
本稿では, LAbel-efficienT incidenT phEnotypingアルゴリズムを提案する。
LATTEは2型糖尿病の発症、心不全、多発性硬化症の発症と再発の3つの分析に基づいて評価された。
論文 参考訳(メタデータ) (2023-05-19T03:28:51Z) - SPeC: A Soft Prompt-Based Calibration on Performance Variability of
Large Language Model in Clinical Notes Summarization [50.01382938451978]
本稿では,ソフトプロンプトを用いたモデルに依存しないパイプラインを導入し,確率に基づく要約の利点を保ちながら分散を減少させる。
実験結果から,本手法は性能を向上するだけでなく,様々な言語モデルの分散を効果的に抑制することが明らかとなった。
論文 参考訳(メタデータ) (2023-03-23T04:47:46Z) - SSM-DTA: Breaking the Barriers of Data Scarcity in Drug-Target Affinity
Prediction [127.43571146741984]
薬物標的親和性(DTA)は、早期の薬物発見において極めて重要である。
湿式実験は依然として最も信頼性の高い方法であるが、時間と資源が集中している。
既存の手法は主に、データ不足の問題に適切に対処することなく、利用可能なDTAデータに基づく技術開発に重点を置いている。
SSM-DTAフレームワークについて述べる。
論文 参考訳(メタデータ) (2022-06-20T14:53:25Z) - Label-dependent and event-guided interpretable disease risk prediction
using EHRs [8.854691034104071]
本稿では,ラベル依存型,事象誘導型リスク予測モデル(LERP)を提案する。
我々は、リスクラベルの名前にセマンティックに類似した医療メモからの単語に注意を向けるラベル依存メカニズムを採用する。
臨床イベントは患者の健康状態も示すことができるため,このモデルではイベントからの情報を活用して,医療記録のイベント誘導表現を生成する。
論文 参考訳(メタデータ) (2022-01-18T07:24:28Z) - Bootstrapping Your Own Positive Sample: Contrastive Learning With
Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。
EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。
私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文 参考訳(メタデータ) (2021-04-07T06:02:04Z) - BiteNet: Bidirectional Temporal Encoder Network to Predict Medical
Outcomes [53.163089893876645]
本稿では,患者の医療旅行におけるコンテキスト依存と時間的関係を捉える,新たな自己注意機構を提案する。
エンド・ツー・エンドの双方向時間エンコーダネットワーク(BiteNet)が患者の旅路の表現を学習する。
実世界のEHRデータセットを用いた2つの教師付き予測と2つの教師なしクラスタリングタスクにおける手法の有効性を評価した。
論文 参考訳(メタデータ) (2020-09-24T00:42:36Z) - COMPOSE: Cross-Modal Pseudo-Siamese Network for Patient Trial Matching [70.08786840301435]
本稿では, CrOss-Modal PseudO-SiamEse Network (COMPOSE) を提案する。
実験の結果,患者基準マッチングでは98.0%,患者基準マッチングでは83.7%の精度でAUCに到達できることがわかった。
論文 参考訳(メタデータ) (2020-06-15T21:01:33Z)
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。