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

• arxiv url: http://arxiv.org/abs/2111.09098v1
• Date: Fri, 12 Nov 2021 20:27:55 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-21 14:31:27.342262
• 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: 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。
• 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: EHR systems lack a unified code system forrepresenting medical concepts, which acts asa barrier for the deployment of deep learningmodels in large scale to multiple clinics and hos-pitals. To overcome this problem, we introduceDescription-based Embedding,DescEmb, a code-agnostic representation learning framework forEHR. DescEmb takes advantage of the flexibil-ity of neural language understanding models toembed clinical events using their textual descrip-tions rather than directly mapping each event toa dedicated embedding. DescEmb outperformedtraditional code-based embedding in extensiveexperiments, especially in a zero-shot transfertask (one hospital to another), and was able totrain a single unified model for heterogeneousEHR datasets.
• Abstract（参考訳）: EHRシステムには、医療概念を規定する統一的なコードシステムがなく、複数のクリニックや病院にディープラーニングモデルを大規模に展開するための障壁として機能する。 この問題を解決するために,コードに依存しないEHR表現学習フレームワークであるDescription-based Embedding,DescEmbを紹介した。 descembは、各イベントを専用の埋め込みに直接マッピングするのではなく、テキストによる記述を使用して臨床イベントを組み込んだ神経言語理解モデルの柔軟性を活用する。 DescEmbは、大規模な実験、特にゼロショットトランスファータスク(ひとつの病院から別の病院へ)における従来のコードベースの埋め込みよりも優れており、異種EHRデータセットに対して単一の統一モデルをトレーニングすることができた。

関連論文リスト

• Large Language Model in Medical Informatics: Direct Classification and Enhanced Text Representations for Automatic ICD Coding [7.0413463890126735]
  本稿では,大規模言語モデル(LLM: Large Language Models),特にLLAMAアーキテクチャを用いて,ICDのコード分類を強化する。 我々はこれらの手法を最先端の手法と比較することで評価する。
  論文  参考訳（メタデータ） (2024-11-11T09:31:46Z)
• Medical Vision-Language Pre-Training for Brain Abnormalities [96.1408455065347]
  本稿では,PubMedなどの公共リソースから,医用画像・テキスト・アライメントデータを自動的に収集する方法を示す。 特に,まず大きな脳画像テキストデータセットを収集することにより,事前学習プロセスの合理化を図るパイプラインを提案する。 また,医療領域におけるサブフィギュアをサブキャプションにマッピングするというユニークな課題についても検討した。
  論文  参考訳（メタデータ） (2024-04-27T05:03:42Z)
• Emergency Department Decision Support using Clinical Pseudo-notes [0.4487265603408873]
  EHR (Multiple Embedding Model for EHR) について紹介する。 MEMEは、臨床テキスト生成を模倣する擬似メモを用いて、マルチモーダルEHRデータをテキストにシリアライズする。 複数の病院システムにまたがる救急部門における意思決定支援業務にMEMEを適用することで,その効果を実証する。
  論文  参考訳（メタデータ） (2024-01-31T20:31:56Z)
• Class Attention to Regions of Lesion for Imbalanced Medical Image Recognition [59.28732531600606]
  データ不均衡問題に対処するため,textbfClass textbfAttention to textbfRegions of the lesion (CARE)を提案する。 CAREフレームワークは、まれな疾患の病変領域を表すために、バウンディングボックスを必要とする。 その結果,自動バウンディングボックス生成によるCARE変種は,オリジナルのCAREフレームワークに匹敵することがわかった。
  論文  参考訳（メタデータ） (2023-07-19T15:19:02Z)
• Learnable Weight Initialization for Volumetric Medical Image Segmentation [66.3030435676252]
  本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。 我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。 多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-06-15T17:55:05Z)
• Unifying Heterogenous Electronic Health Records Systems via Text-Based Code Embedding [7.3394352452936085]
  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。
  論文  参考訳（メタデータ） (2021-08-08T12:47:42Z)
• Self-supervised Answer Retrieval on Clinical Notes [68.87777592015402]
  本稿では,ドメイン固有パスマッチングのためのトランスフォーマー言語モデルをトレーニングするためのルールベースのセルフスーパービジョンであるCAPRを紹介する。 目的をトランスフォーマーベースの4つのアーキテクチャ、コンテキスト文書ベクトル、ビ-、ポリエンコーダ、クロスエンコーダに適用する。 本稿では,ドメイン固有パスの検索において,CAPRが強いベースラインを上回り,ルールベースおよび人間ラベル付きパスを効果的に一般化することを示す。
  論文  参考訳（メタデータ） (2021-08-02T10:42:52Z)
• Does the Magic of BERT Apply to Medical Code Assignment? A Quantitative Study [2.871614744079523]
  事前訓練されたモデルが、さらなるアーキテクチャエンジニアリングなしで医療コード予測に有用かどうかは明らかではない。 本稿では,単語間のインタラクションをキャプチャし,ラベル情報を活用する階層的な微調整アーキテクチャを提案する。 現在の傾向とは対照的に、我々は慎重に訓練された古典的なCNNは、頻繁なコードでMIMIC-IIIサブセット上の注意ベースのモデルを上回ることを実証します。
  論文  参考訳（メタデータ） (2021-03-11T07:23:45Z)
• 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)
• 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。