論文の概要: Label-dependent and event-guided interpretable disease risk prediction using EHRs

• arxiv url: http://arxiv.org/abs/2201.06783v1
• Date: Tue, 18 Jan 2022 07:24:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-19 15:57:36.238890
• Title: Label-dependent and event-guided interpretable disease risk prediction using EHRs
• Title（参考訳）: EHRを用いたラベル依存型・事象誘導型疾患予測
• Authors: Shuai Niu and Yunya Song and Qing Yin and Yike Guo and Xian Yang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 8.854691034104071
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Electronic health records (EHRs) contain patients' heterogeneous data that are collected from medical providers involved in the patient's care, including medical notes, clinical events, laboratory test results, symptoms, and diagnoses. In the field of modern healthcare, predicting whether patients would experience any risks based on their EHRs has emerged as a promising research area, in which artificial intelligence (AI) plays a key role. To make AI models practically applicable, it is required that the prediction results should be both accurate and interpretable. To achieve this goal, this paper proposed a label-dependent and event-guided risk prediction model (LERP) to predict the presence of multiple disease risks by mainly extracting information from unstructured medical notes. Our model is featured in the following aspects. First, we adopt a label-dependent mechanism that gives greater attention to words from medical notes that are semantically similar to the names of risk labels. Secondly, as the clinical events (e.g., treatments and drugs) can also indicate the health status of patients, our model utilizes the information from events and uses them to generate an event-guided representation of medical notes. Thirdly, both label-dependent and event-guided representations are integrated to make a robust prediction, in which the interpretability is enabled by the attention weights over words from medical notes. To demonstrate the applicability of the proposed method, we apply it to the MIMIC-III dataset, which contains real-world EHRs collected from hospitals. Our method is evaluated in both quantitative and qualitative ways.
• Abstract（参考訳）: 電子健康記録 (EHRs) には、患者の医療従事者から収集された異種データが含まれており、医療ノート、臨床イベント、検査結果、症状、診断が含まれる。 現代医療の分野では、人工知能(AI)が重要な役割を果たす有望な研究領域として、患者がERHに基づいてリスクを経験するかどうかを予測している。 aiモデルを実際に適用するためには、予測結果を正確かつ解釈可能であることが必要である。 そこで本稿では, 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。 我々のモデルは以下の点で特徴付けられる。 まず、リスクラベルの名前にセマンティックに類似した医療用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。 第2に、臨床イベント(例えば、治療や薬物)は患者の健康状態を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、医療ノートのイベントガイド表現を生成する。 第三に、ラベル依存表現とイベント誘導表現の両方を統合して堅牢な予測を行い、医療ノートからの単語に対する注意重みによって解釈可能性を有効にする。 提案手法の適用性を実証するため,病院から収集した実世界のEHRを含むMIMIC-IIIデータセットに適用した。 本手法は定量的および定性的に評価される。

関連論文リスト

• MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
  本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。 トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。 ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
  論文  参考訳（メタデータ） (2023-10-04T01:36:30Z)
• Informing clinical assessment by contextualizing post-hoc explanations of risk prediction models in type-2 diabetes [50.8044927215346]
  本研究は, 合併症リスク予測のシナリオを考察し, 患者の臨床状態に関する文脈に焦点を当てる。 我々は、リスク予測モデル推論に関する文脈を提示し、その受容性を評価するために、最先端のLLMをいくつか採用する。 本論文は,実世界における臨床症例における文脈説明の有効性と有用性を明らかにする最初のエンドツーエンド分析の1つである。
  論文  参考訳（メタデータ） (2023-02-11T18:07:11Z)
• Foresight -- Deep Generative Modelling of Patient Timelines using Electronic Health Records [46.024501445093755]
  医学史の時間的モデリングは、将来の出来事を予測し、シミュレートしたり、リスクを見積り、代替診断を提案したり、合併症を予測するために使用することができる。 我々は、文書テキストを構造化されたコード化された概念に変換するためにNER+Lツール(MedCAT)を使用する新しいGPT3ベースのパイプラインであるForesightを提示する。
  論文  参考訳（メタデータ） (2022-12-13T19:06:00Z)
• Label Dependent Attention Model for Disease Risk Prediction Using Multimodal Electronic Health Records [8.854691034104071]
  疾病リスク予測は、現代医療の分野で注目を集めている。 リスク予測にAIモデルを適用する上での課題のひとつは、解釈可能な証拠を生成することだ。 単語とラベルを共同で埋め込む手法を提案する。
  論文  参考訳（メタデータ） (2022-01-18T07:21:20Z)
• 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)
• 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)
• An efficient representation of chronological events in medical texts [9.118144540451514]
  臨床ノートで利用可能な時系列イベントから学習するための体系的手法を提案した。 提案手法は,任意の種類の逐次イベントの非パラメトリック階層表現を生成する。 この手法は、英国で最大の中等医療精神保健 EHR データを用いて開発され、外部で検証された。
  論文  参考訳（メタデータ） (2020-10-16T14:54:29Z)
• Interpretable Disease Prediction based on Reinforcement Path Reasoning over Knowledge Graphs [15.339137501579087]
  疾患予測タスクを知識グラフ(KG)に沿ってランダムウォークとして定式化した。 我々は, 病因と危険因子との関係を, 検証された医療知識に基づいて記録するKGを構築した。 対象物によって生成された軌跡は、所定の患者の解釈可能な疾患進行経路を表す。
  論文  参考訳（メタデータ） (2020-10-16T10:46:28Z)
• 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。