論文の概要: Use of machine learning in geriatric clinical care for chronic diseases:
a systematic literature review
- arxiv url: http://arxiv.org/abs/2111.08441v1
- Date: Sat, 30 Oct 2021 10:11:14 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-21 17:03:38.017693
- Title: Use of machine learning in geriatric clinical care for chronic diseases:
a systematic literature review
- Title（参考訳）: 慢性疾患の老年臨床医療における機械学習の利用 : 体系的文献レビュー
- Authors: Avishek Choudhury, Emily Renjilian and Onur Asan
- Abstract要約: この体系的な文献レビューの目的は、慢性疾患の老年医療におけるAIシステム、特に機械学習(ML)の現在の利用を理解することである。
我々は,慢性疾患のある高齢者のケアにMLアルゴリズムを用いた研究に焦点をあてた。
このレビューでは、標準化されたML評価指標の欠如と、医療アプリケーションに特化したデータガバナンスの必要性が明らかになった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Objectives-Geriatric clinical care is a multidisciplinary assessment designed
to evaluate older patients (age 65 years and above) functional ability,
physical health, and cognitive wellbeing. The majority of these patients suffer
from multiple chronic conditions and require special attention. Recently,
hospitals utilize various artificial intelligence (AI) systems to improve care
for elderly patients. The purpose of this systematic literature review is to
understand the current use of AI systems, particularly machine learning (ML),
in geriatric clinical care for chronic diseases. Materials and Methods-We
restricted our search to eight databases, namely PubMed, WorldCat, MEDLINE,
ProQuest, ScienceDirect, SpringerLink, Wiley, and ERIC, to analyze research
articles published in English between January 2010 and June 2019. We focused on
studies that used ML algorithms in the care of geriatrics patients with chronic
conditions. Results-We identified 35 eligible studies and classified in three
groups-psychological disorder (n=22), eye diseases (n=6), and others (n=7).
This review identified the lack of standardized ML evaluation metrics and the
need for data governance specific to health care applications. Conclusion- More
studies and ML standardization tailored to health care applications are
required to confirm whether ML could aid in improving geriatric clinical care.
- Abstract（参考訳）: Objectives-Geriatric Clinical Careは、高齢者(65歳以上)の機能的能力、身体的健康、認知的幸福を評価するために設計された多分野の医療評価である。
これらの患者の大半は複数の慢性疾患を患っており、特別な注意が必要である。
近年、病院は高齢者のケアを改善するために様々な人工知能(AI)システムを利用している。
この体系的な文献レビューの目的は、慢性疾患の老年医療におけるAIシステム、特に機械学習(ML)の現在の利用を理解することである。
資料と手法-我々は2010年1月から2019年6月までに英語で出版された研究論文を分析するために,pubmed, worldcat, medline, proquest, sciencedirect, springerlink, wiley, ericの8つのデータベースに検索を制限した。
我々は,慢性疾患のある高齢者のケアにMLアルゴリズムを用いた研究に焦点をあてた。
結果: 対象研究は35例であり, 精神疾患 (n=22), 眼疾患 (n=6), その他の3群 (n=7) に分類した。
このレビューでは、標準化されたML評価指標の欠如と、医療アプリケーションに特化したデータガバナンスの必要性が明らかになった。
結論-老年医療の改善にMLが役立つかどうかを確認するためには、医療応用に適したさらなる研究とML標準化が必要である。
関連論文リスト
- Reasoning-Enhanced Healthcare Predictions with Knowledge Graph Community Retrieval [61.70489848327436]
KAREは、知識グラフ(KG)コミュニティレベルの検索と大規模言語モデル(LLM)推論を統合する新しいフレームワークである。
MIMIC-IIIでは最大10.8～15.0%、MIMIC-IVでは12.6～12.7%である。
論文 参考訳（メタデータ） (2024-10-06T18:46:28Z) - CliMedBench: A Large-Scale Chinese Benchmark for Evaluating Medical Large Language Models in Clinical Scenarios [50.032101237019205]
CliMedBenchは、14のエキスパートによるコア臨床シナリオを備えた総合的なベンチマークである。
このベンチマークの信頼性はいくつかの点で確認されている。
論文 参考訳（メタデータ） (2024-10-04T15:15:36Z) - Bespoke Large Language Models for Digital Triage Assistance in Mental Health Care [0.20971479389679337]
大規模言語モデル(LLM)は、電子的な健康記録に含まれる、構造化されていない、物語のない臨床データを処理するためのユーティリティを持つ。
2023年の毎月、370,000人から470,000人の新規紹介者が、二次的なメンタルヘルスケアサービスに移行した。
LLMをベースとした可変長臨床ERHデータのエンド・ツー・エンドの摂取に関する3つのアプローチを提案し,その評価を行った。
論文 参考訳（メタデータ） (2024-03-28T19:17:07Z) - The METRIC-framework for assessing data quality for trustworthy AI in
medicine: a systematic review [0.0]
信頼できるAIの開発は特に医学において重要である。
ディープラーニング(DL)におけるデータ品質(トレーニング/テスト)の重要性に焦点を当てる。
本稿では,医療訓練データのための特化データ品質フレームワークであるMETRICフレームワークを提案する。
論文 参考訳（メタデータ） (2024-02-21T09:15:46Z) - Asclepius: A Spectrum Evaluation Benchmark for Medical Multi-Modal Large
Language Models [59.60384461302662]
医療マルチモーダル大言語モデル(Med-MLLM)を評価するための新しいベンチマークであるAsclepiusを紹介する。
Asclepiusは、異なる医療専門性と異なる診断能力の観点から、モデル能力の厳密かつ包括的に評価する。
また、6つのMed-MLLMの詳細な分析を行い、5人の専門家と比較した。
論文 参考訳（メタデータ） (2024-02-17T08:04:23Z) - MedLM: Exploring Language Models for Medical Question Answering Systems [2.84801080855027]
大きな言語モデル(LLM)とその高度な生成能力は、様々なNLPタスクにおいて有望であることを示している。
本研究の目的は,医療用Q&Aにおける一般用および医療用蒸留機の性能を比較することである。
この知見は、医学領域における特定の用途における異なるLMの適合性に関する貴重な知見を提供する。
論文 参考訳（メタデータ） (2024-01-21T03:37:47Z) - The Significance of Machine Learning in Clinical Disease Diagnosis: A
Review [0.0]
本研究では、時系列医療指標における心拍データの伝達を改善するための機械学習アルゴリズムの能力について検討する。
検討中の要因は、アルゴリズムの利用、対象とする疾患の種類、採用されるデータの種類、応用、評価指標などである。
論文 参考訳（メタデータ） (2023-10-25T20:28:22Z) - MedAlign: A Clinician-Generated Dataset for Instruction Following with
Electronic Medical Records [60.35217378132709]
大型言語モデル(LLM)は、人間レベルの流布で自然言語の指示に従うことができる。
医療のための現実的なテキスト生成タスクにおけるLCMの評価は依然として困難である。
我々は、EHRデータのための983の自然言語命令のベンチマークデータセットであるMedAlignを紹介する。
論文 参考訳（メタデータ） (2023-08-27T12:24:39Z) - Large Language Models for Healthcare Data Augmentation: An Example on
Patient-Trial Matching [49.78442796596806]
患者-心電図マッチング(LLM-PTM)のための革新的なプライバシ対応データ拡張手法を提案する。
本実験では, LLM-PTM法を用いて平均性能を7.32%向上させ, 新しいデータへの一般化性を12.12%向上させた。
論文 参考訳（メタデータ） (2023-03-24T03:14:00Z) - Artificial Intelligence for Dementia Research Methods Optimization [0.49050354212898845]
本稿では,認知症研究において最も頻繁に使用される機械学習アルゴリズムの概要を紹介する。
本稿では, 再現性と解釈可能性の問題と, 認知症研究の臨床的応用性への影響について論じる。
本稿では, 伝達学習, マルチタスク学習, 強化学習といった最先端の手法が, これらの課題を克服するためにどのように応用されるかを示す。
論文 参考訳（メタデータ） (2023-03-02T08:50:25Z) - Detecting Shortcut Learning for Fair Medical AI using Shortcut Testing [62.9062883851246]
機械学習は医療の改善に大いに貢献するが、その利用が健康格差を広めたり増幅したりしないことを確実にすることは重要である。
アルゴリズムの不公平性の潜在的な要因の1つ、ショートカット学習は、トレーニングデータにおける不適切な相関に基づいてMLモデルが予測した時に発生する。
マルチタスク学習を用いて,臨床MLシステムの公平性評価の一環として,ショートカット学習の評価と緩和を行う手法を提案する。
論文 参考訳（メタデータ） (2022-07-21T09:35:38Z)
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。