論文の概要: Context-aware Health Event Prediction via Transition Functions on Dynamic Disease Graphs

• arxiv url: http://arxiv.org/abs/2112.05195v1
• Date: Thu, 9 Dec 2021 20:06:39 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-13 14:43:39.566774
• Title: Context-aware Health Event Prediction via Transition Functions on Dynamic Disease Graphs
• Title（参考訳）: 動的疾患グラフの遷移関数によるコンテキスト認識型ヘルスイベント予測
• Authors: Chang Lu, Tian Han, Yue Ning
• Abstract要約: 多くの機械学習アプローチは、患者の異なる訪問で病気の表現が静的であると仮定している。 動的疾患グラフ上の遷移関数を用いた文脈認識学習フレームワークを提案する。 2つの実世界のEHRデータセットの実験結果から、提案されたモデルは、健康事象を予測する上で、技術の現状よりも優れていることが示された。
• 参考スコア（独自算出の注目度）: 15.17817233616652
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the wide application of electronic health records (EHR) in healthcare facilities, health event prediction with deep learning has gained more and more attention. A common feature of EHR data used for deep-learning-based predictions is historical diagnoses. Existing work mainly regards a diagnosis as an independent disease and does not consider clinical relations among diseases in a visit. Many machine learning approaches assume disease representations are static in different visits of a patient. However, in real practice, multiple diseases that are frequently diagnosed at the same time reflect hidden patterns that are conducive to prognosis. Moreover, the development of a disease is not static since some diseases can emerge or disappear and show various symptoms in different visits of a patient. To effectively utilize this combinational disease information and explore the dynamics of diseases, we propose a novel context-aware learning framework using transition functions on dynamic disease graphs. Specifically, we construct a global disease co-occurrence graph with multiple node properties for disease combinations. We design dynamic subgraphs for each patient's visit to leverage global and local contexts. We further define three diagnosis roles in each visit based on the variation of node properties to model disease transition processes. Experimental results on two real-world EHR datasets show that the proposed model outperforms state of the art in predicting health events.
• Abstract（参考訳）: 医療施設における電子健康記録(ehr)の広範な適用により,深層学習による健康事象予測が注目されるようになった。 ディープラーニングに基づく予測に使用されるEHRデータの一般的な特徴は、歴史的診断である。 現存する研究は、主に独立した疾患と診断され、訪問中の疾患間の臨床関係を考慮していない。 多くの機械学習アプローチは、患者の異なる訪問で病気の表現が静的であると仮定している。 しかし実際には、同時に診断される複数の疾患は、予後に起因した隠れたパターンを反映している。 さらに、いくつかの疾患が出現または消失し、患者の異なる訪問で様々な症状を示す可能性があるため、疾患の発生は静的ではない。 この組み合わせ疾患情報を効果的に活用し,疾患のダイナミクスを探求するために,動的疾患グラフ上の遷移関数を用いた新しい文脈認識学習フレームワークを提案する。 具体的には,複数のノード特性を持つグローバルな疾患共起グラフを構築した。 我々は,グローバル・ローカル・コンテクストを活用した患者訪問のための動的サブグラフを設計する。 さらに,各訪問における3つの診断の役割を,モデル疾患遷移過程におけるノード特性の変化に基づいて定義する。 実世界の2つのehrデータセットにおける実験結果は、提案されたモデルが健康事象の予測における最先端技術を上回ることを示している。

関連論文リスト

• Medical Video Generation for Disease Progression Simulation [40.38123964910394]
  疾患関連画像と映像の特徴を制御できる第1の医用ビデオ生成フレームワークを提案する。 胸部X線,眼底写真,皮膚画像の3領域にまたがる枠組みを検証した。 MVGは、コヒーレントで臨床的に妥当な疾患軌跡を発生させる上で、ベースラインモデルよりも著しく優れている。
  論文  参考訳（メタデータ） (2024-11-18T18:37:09Z)
• Potential of Multimodal Large Language Models for Data Mining of Medical Images and Free-text Reports [51.45762396192655]
  特にGemini-Vision-Series (Gemini) と GPT-4-Series (GPT-4) は、コンピュータビジョンのための人工知能のパラダイムシフトを象徴している。 本研究は,14の医用画像データセットを対象に,Gemini,GPT-4,および4つの一般的な大規模モデルの性能評価を行った。
  論文  参考訳（メタデータ） (2024-07-08T09:08:42Z)
• Time-aware Heterogeneous Graph Transformer with Adaptive Attention Merging for Health Event Prediction [6.578298085691462]
  本稿では,疾患領域の知識を同化し,薬物と疾患の複雑な関係を解明するための新しい異種グラフ学習モデルを提案する。 2つの医療データセットで評価したところ、予測精度と解釈可能性の両方において顕著な改善が見られた。
  論文  参考訳（メタデータ） (2024-04-23T08:01:30Z)
• MIMO: Mutual Integration of Patient Journey and Medical Ontology for Healthcare Representation Learning [49.57261599776167]
  本稿では、医療表現学習と予測分析のための、エンドツーエンドの堅牢なトランスフォーマーベースのソリューション、患者旅行の相互統合、医療オントロジー(MIMO)を提案する。
  論文  参考訳（メタデータ） (2021-07-20T07:04:52Z)
• Graph-Evolving Meta-Learning for Low-Resource Medical Dialogue Generation [150.52617238140868]
  ソース疾患からターゲット疾患へ診断経験を移すために、低リソースの医療対話生成を提案します。 また,新しい疾患の症状相関を推論するためのコモンセンスグラフの進化を学習するグラフ進化メタラーニングフレームワークを開発した。
  論文  参考訳（メタデータ） (2020-12-22T13:20:23Z)
• Trajectories, bifurcations and pseudotime in large clinical datasets: applications to myocardial infarction and diabetes data [94.37521840642141]
  混合データ型と欠落値を特徴とする大規模臨床データセット分析のための半教師付き方法論を提案する。 この手法は、次元の減少、データの可視化、クラスタリング、特徴の選択と、部分的に順序付けられた観測列における測地距離(擬時)の定量化のタスクを同時に扱うことのできる弾性主グラフの適用に基づいている。
  論文  参考訳（メタデータ） (2020-07-07T21:04:55Z)
• A Deep Learning Pipeline for Patient Diagnosis Prediction Using Electronic Health Records [0.5672132510411464]
  我々は、公衆衛生データセットを普遍的なフォーマットに容易に変換するPythonパッケージを開発し、公開する。 複数の診断を同時に予測する2つの新しいモデルアーキテクチャを提案する。 どちらのモデルも高い精度で複数の診断を同時に予測できる。
  論文  参考訳（メタデータ） (2020-06-23T14:58:58Z)
• Dynamic Graph Correlation Learning for Disease Diagnosis with Incomplete Labels [66.57101219176275]
  胸部X線画像上の疾患診断は,多ラベル分類の課題である。 本稿では,異なる疾患間の相互依存を調査する新たな視点を提示する病的診断グラフ畳み込みネットワーク(DD-GCN)を提案する。 本手法は,相関学習のための動的隣接行列を用いた特徴写像上のグラフを初めて構築する手法である。
  論文  参考訳（メタデータ） (2020-02-26T17:10:48Z)
• Learning Dynamic and Personalized Comorbidity Networks from Event Data using Deep Diffusion Processes [102.02672176520382]
  コンコルビンド病は、個人によって異なる複雑な時間的パターンを通じて発生し進行する。 電子的な健康記録では、患者が持つ異なる疾患を観察できるが、それぞれの共死状態の時間的関係を推測できるだけである。 我々は「ダイナミック・コオービディティ・ネットワーク」をモデル化するための深層拡散プロセスを開発する。
  論文  参考訳（メタデータ） (2020-01-08T15:47:08Z)

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。