Fugu-MT 論文翻訳(概要): Using Clinical Drug Representations for Improving Mortality and Length of Stay Predictions

論文の概要: Using Clinical Drug Representations for Improving Mortality and Length of Stay Predictions

arxiv url: http://arxiv.org/abs/2110.08918v1
Date: Sun, 17 Oct 2021 20:40:10 GMT
ステータス: 処理完了
システム内更新日: 2021-10-19 20:57:31.582636
Title: Using Clinical Drug Representations for Improving Mortality and Length of Stay Predictions
Title（参考訳）: 臨床薬品表現を用いた静止予測の死亡率と長さの改善
Authors: Batuhan Bardak and Mehmet Tan
Abstract要約: 本研究は,他の臨床症状に加えて臨床薬品の表現を用いることで,死亡率や在院期間が向上する可能性が示唆された。その結果,本提案手法は,ベースラインモデルによる臨床タスクの大幅な向上を実現することが示唆された。
参考スコア（独自算出の注目度）: 0.696194614504832
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Drug representations have played an important role in cheminformatics. However, in the healthcare domain, drug representations have been underused relative to the rest of Electronic Health Record (EHR) data, due to the complexity of high dimensional drug representations and the lack of proper pipeline that will allow to convert clinical drugs to their representations. Time-varying vital signs, laboratory measurements, and related time-series signals are commonly used to predict clinical outcomes. In this work, we demonstrated that using clinical drug representations in addition to other clinical features has significant potential to increase the performance of mortality and length of stay (LOS) models. We evaluate the two different drug representation methods (Extended-Connectivity Fingerprint-ECFP and SMILES-Transformer embedding) on clinical outcome predictions. The results have shown that the proposed multimodal approach achieves substantial enhancement on clinical tasks over baseline models. Using clinical drug representations as additional features improve the LOS prediction for Area Under the Receiver Operating Characteristics (AUROC) around %6 and for Area Under Precision-Recall Curve (AUPRC) by around %5. Furthermore, for the mortality prediction task, there is an improvement of around %2 over the time series baseline in terms of AUROC and %3.5 in terms of AUPRC. The code for the proposed method is available at https://github.com/tanlab/MIMIC-III-Clinical-Drug-Representations.
Abstract（参考訳）: 薬物表現は化学情報学において重要な役割を担っている。しかし、医療分野では、高次元の薬物表現の複雑さと、臨床薬をその表現に変換するための適切なパイプラインの欠如により、Electronic Health Record(EHR)データと比較して薬物表現が過小評価されている。経時的バイタルサイン、検査結果、関連する時系列信号は、一般的に臨床結果を予測するために使用される。本研究では,他の臨床特徴に加えて臨床薬品表現を用いることにより,死亡率と滞在期間(los)モデルが向上する可能性が示唆された。本研究は,2種類の薬物表現法(Extended-Connectivity Fingerprint-ECFPとSMILES-Transformer Embedding)を臨床成績予測に応用した。以上の結果から, 提案手法は, 基礎モデルよりも臨床課題が大幅に向上することが示された。追加機能として臨床薬品表現を使用することで、受信者動作特性(auroc)下の領域のロス予測を約%6、精度リコール曲線(auprc)下の領域を約5%改善できる。さらに, 死亡予測タスクでは, 時系列ベースラインよりもAUROCで約2%, AUPRCで約%3.5の改善が見られた。提案手法のコードはhttps://github.com/tanlab/MIMIC-III-Clinical-Drug-Representationsで公開されている。

関連論文リスト

Enhancing Acute Kidney Injury Prediction through Integration of Drug Features in Intensive Care Units [0.0]
急性腎障害(AKI)予測と腎障害薬との関連は, 治療現場ではまだ検討されていない。そこで本研究では,患者処方データをモダリティとして活用し,既存のAKI予測モデルを改善する手法を提案する。
論文参考訳（メタデータ） (2024-01-09T05:42:32Z)
XAI for In-hospital Mortality Prediction via Multimodal ICU Data [57.73357047856416]
マルチモーダルICUデータを用いて病院内死亡率を予測するための,効率的で説明可能なAIソリューションを提案する。我々は,臨床データから異種入力を受信し,意思決定を行うマルチモーダル・ラーニングを我々のフレームワークに導入する。我々の枠組みは、医療研究において重要な要素の発見を容易にする他の臨床課題に容易に移行することができる。
論文参考訳（メタデータ） (2023-12-29T14:28:04Z)
FineEHR: Refine Clinical Note Representations to Improve Mortality Prediction [3.9026461169566673]
大規模な電子健康記録は、臨床テキストとバイタルサインデータの豊富な機械学習モデルを提供する。臨床ノート分析のための高度な自然言語処理(NLP)アルゴリズムの出現にもかかわらず、生臨床データに存在する複雑なテキスト構造とノイズは重大な課題となっている。本稿では,2つの表現学習技術,すなわちメートル法学習と微調整技術を用いて,臨床ノートの埋め込みを洗練させるシステムFINEEHRを提案する。
論文参考訳（メタデータ） (2023-04-24T02:42:52Z)
Prediction of drug effectiveness in rheumatoid arthritis patients based on machine learning algorithms [2.5759046095742453]
慢性関節リウマチ(RA)は、患者の免疫系が誤って自身の組織を標的としたときに引き起こされる自己免疫疾患である。機械学習(ML)は、患者の電子的健康記録のパターンを特定し、患者の結果を改善する最良の臨床治療を予測する可能性がある。本研究は, 臨床データから情報を取り出すためのデータ処理パイプラインを設計し, 機能的使用のために前処理し, 2) 薬物に対するRA患者の反応を予測し, 分類モデルの性能を評価するためのTNFフレームワークを導入した。
論文参考訳（メタデータ） (2022-10-14T15:15:37Z)
A Multimodal Transformer: Fusing Clinical Notes with Structured EHR Data for Interpretable In-Hospital Mortality Prediction [8.625186194860696]
臨床ノートと構造化HRデータを融合し,院内死亡率の予測に役立てる新しいマルチモーダルトランスフォーマーを提案する。そこで本研究では,臨床ノートにおいて重要な単語を選択するための統合的勾配(IG)手法を提案する。また,臨床 BERT における領域適応型事前訓練とタスク適応型微調整の重要性についても検討した。
論文参考訳（メタデータ） (2022-08-09T03:49:52Z)
Multi-View Substructure Learning for Drug-Drug Interaction Prediction [69.34322811160912]
DDI予測のための新しいマルチビュードラッグサブ構造ネットワーク(MSN-DDI)を提案する。 MSN-DDIは、単一の薬物(イントラビュー)と薬物ペア(インタービュー)の両方の表現から化学的サブ構造を同時に学習し、そのサブ構造を利用して、薬物表現を反復的に更新する。総合的な評価では、MSN-DDIは、トランスダクティブ・セッティングの下で比較的改善された19.32%と99%以上の精度を達成することで、既存の薬物に対するDDI予測をほぼ解決したことを示している。
論文参考訳（メタデータ） (2022-03-28T05:44:29Z)
Literature-Augmented Clinical Outcome Prediction [10.46990394710927]
EBMとAIベースの臨床モデルとのギャップを埋める技術を導入する。集中治療(ICU)患者情報に基づいて患者固有の文献を自動的に検索するシステムを提案する。我々のモデルは,最近の強靭なベースラインと比較して,3つの課題に対する予測精度を大幅に向上させることができる。
論文参考訳（メタデータ） (2021-11-16T11:19:02Z)
Change Matters: Medication Change Prediction with Recurrent Residual Networks [52.34011841798978]
MICRONは、隠れた薬のベクターと、再建設計で繰り返し設定された薬を更新することを学ぶ。 MICRONはF1スコアで最高のベースラインよりも3.5%と7.8%の相対的な改善を達成している。
論文参考訳（メタデータ） (2021-05-05T05:51:30Z)
IA-GCN: Interpretable Attention based Graph Convolutional Network for Disease prediction [47.999621481852266]
タスクに対する入力特徴の臨床的関連性を解釈する,解釈可能なグラフ学習モデルを提案する。臨床シナリオでは、そのようなモデルは、臨床専門家が診断および治療計画のためのより良い意思決定を支援することができる。本研究では,Tadpoleの平均精度が3.2%,UKBBジェンダーが1.6%,UKBB年齢予測タスクが2%と,比較方法と比較して優れた性能を示した。
論文参考訳（メタデータ） (2021-03-29T13:04:02Z)
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)
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)

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。