論文の概要: A Knowledge-Based Decision Support System for In Vitro Fertilization
Treatment
- arxiv url: http://arxiv.org/abs/2201.11802v1
- Date: Thu, 27 Jan 2022 20:30:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-31 14:57:37.881083
- Title: A Knowledge-Based Decision Support System for In Vitro Fertilization
Treatment
- Title（参考訳）: 体外受精治療のための知識に基づく意思決定支援システム
- Authors: Xizhe Wang, Ning Zhang, Jia Wang, Jing Ni, Xinzi Sun, John Zhang,
Zitao Liu, Yu Cao, Benyuan Liu
- Abstract要約: 本報告では,IVF 治療サイクルにおける患者訪問に対する治療プロトコルおよび治療適応に関する医療アドバイスを提供する知識ベース意思決定支援システムを提案する。
本システムは,電子カルテシステムに簡単に組み込むことができる,データ処理と軽量化に効率的である。
- 参考スコア（独自算出の注目度）: 21.593716703698256
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: In Vitro Fertilization (IVF) is the most widely used Assisted Reproductive
Technology (ART). IVF usually involves controlled ovarian stimulation, oocyte
retrieval, fertilization in the laboratory with subsequent embryo transfer. The
first two steps correspond with follicular phase of females and ovulation in
their menstrual cycle. Therefore, we refer to it as the treatment cycle in our
paper. The treatment cycle is crucial because the stimulation medications in
IVF treatment are applied directly on patients. In order to optimize the
stimulation effects and lower the side effects of the stimulation medications,
prompt treatment adjustments are in need. In addition, the quality and quantity
of the retrieved oocytes have a significant effect on the outcome of the
following procedures. To improve the IVF success rate, we propose a
knowledge-based decision support system that can provide medical advice on the
treatment protocol and medication adjustment for each patient visit during IVF
treatment cycle. Our system is efficient in data processing and light-weighted
which can be easily embedded into electronic medical record systems. Moreover,
an oocyte retrieval oriented evaluation demonstrates that our system performs
well in terms of accuracy of advice for the protocols and medications.
- Abstract（参考訳）: In Vitro Fertilization (IVF)は、最も広く使われている人工生殖技術(ART)である。
IVFは通常、卵巣刺激、卵胞の回収、胚移植を伴う実験室での受精を含む。
最初の2段階はメスの卵胞期と月経周期における排卵に対応する。
そのため,本論文では治療サイクルとして取り上げている。
治療サイクルは、ivf治療における刺激薬が患者に直接適用されるため重要である。
刺激効果を最適化し、刺激薬の副作用を減少させるためには、迅速な治療調整が必要である。
また, 得られた卵子の品質および量は, 以下の手順の結果に有意な影響を与えている。
IVF の成功率を向上させるため,IVF 治療サイクル中の患者訪問ごとに,治療プロトコルと治療適応に関する医療アドバイスを提供する知識ベースの意思決定支援システムを提案する。
本システムは,電子カルテシステムへの組み込みが容易なデータ処理と軽量化において効率的である。
また, 卵子検索指向の評価は, プロトコルや医薬品に対するアドバイスの正確性の観点から, システムの性能が良好であることを実証する。
関連論文リスト
- Multimodal Learning for Embryo Viability Prediction in Clinical IVF [24.257300904706902]
In-Vitro Fertilization (IVF) では、妊娠成功の可能性を高めるために、最も生存可能な胚を同定することが重要である。
伝統的に、このプロセスは胚学者が光顕微鏡を用いて、特定の間隔で胚の静的な形態的特徴を手動で評価することを含む。
この手作業による評価は、専門的な分析を必要とするため、時間集約的でコストがかかるだけでなく、本質的に主観的でもあるため、選択プロセスにおける可変性がもたらされる。
論文 参考訳（メタデータ） (2024-10-21T01:58:26Z) - Causal machine learning for predicting treatment outcomes [75.13093479526151]
Causal Machine Learning (ML)は、治療結果を予測するフレキシブルでデータ駆動の方法を提供する。
因果MLの主な利点は、個別化された治療効果を推定できることである。
論文 参考訳（メタデータ） (2024-10-11T12:39:08Z) - STLLaVA-Med: Self-Training Large Language and Vision Assistant for Medical Question-Answering [58.79671189792399]
STLLaVA-Medは、医療ビジュアルインストラクションデータを自動生成できるポリシーモデルを訓練するために設計されている。
STLLaVA-Medの有効性とデータ効率を3つの主要な医用視覚質問応答(VQA)ベンチマークで検証した。
論文 参考訳（メタデータ） (2024-06-28T15:01:23Z) - Leave No Patient Behind: Enhancing Medication Recommendation for Rare Disease Patients [47.68396964741116]
本稿では,レアな疾患の正確性を高めるために,ロバストとメディケーションのための高精度勧告(RAREMed)と呼ばれる新しいモデルを提案する。
入力シーケンスを統一したトランスフォーマーエンコーダを使用して、疾患と手続きコードの間の複雑な関係をキャプチャする。
稀な疾患と一般的な疾患の両方に対して正確な薬物セットを提供し、薬の推奨システムにおける不公平を緩和する。
論文 参考訳（メタデータ） (2024-03-26T14:36:22Z) - Machine learning in bioprocess development: From promise to practice [58.720142291102135]
機械学習(ML)アプローチのようなデータ駆動の手法は、大きな設計空間を合理的に探索する可能性が高い。
本研究の目的は,これまでのバイオプロセス開発におけるML手法の適用例を示すことである。
論文 参考訳（メタデータ） (2022-10-04T13:48:59Z) - Federated Cycling (FedCy): Semi-supervised Federated Learning of
Surgical Phases [57.90226879210227]
FedCyは、FLと自己教師付き学習を組み合わせた半教師付き学習(FSSL)手法で、ラベル付きビデオとラベルなしビデオの両方の分散データセットを利用する。
外科的段階の自動認識作業において,最先端のFSSL法よりも顕著な性能向上を示した。
論文 参考訳（メタデータ） (2022-03-14T17:44:53Z) - Adaptive Semi-Supervised Inference for Optimal Treatment Decisions with
Electronic Medical Record Data [18.77246683875067]
最適な治療体制は、最も全体的な臨床効果が期待されるものとなり、多くの注目を集めている。
半教師付き環境下での電子カルテデータによる最適治療体制の推定について検討する。
論文 参考訳（メタデータ） (2022-03-04T13:54:35Z) - Causal Effect Variational Autoencoder with Uniform Treatment [50.895390968371665]
因果効果変動オートエンコーダ(CEVAE)をトレーニングし、観察処理データから結果を予測する。
均一処理変分オートエンコーダ (UTVAE) は, 重要サンプリングを用いて均一な処理分布を訓練する。
論文 参考訳（メタデータ） (2021-11-16T17:40:57Z) - Ethical Implementation of Artificial Intelligence to Select Embryos in
In Vitro Fertilization [41.52637932108825]
我々はIVFの紹介を行い、胚選択のためのAIの使用をレビューします。
本稿では, 報告結果の科学的, 実用的観点からの解釈に関する懸念について考察する。
我々は解釈可能なモデルの使用を強く主張する。
論文 参考訳（メタデータ） (2021-04-30T19:46:31Z) - Data-Driven Prediction of Embryo Implantation Probability Using IVF
Time-lapse Imaging [4.823616680520791]
本稿では,胚発生時間ラプス画像から胚移植の確率を直接予測するために訓練された新しいデータ駆動システムについて述べる。
回顧的に収集した272個の胚のビデオを用いて, 胚学者の外部パネルと比較すると, 正の予測値が12%, 負の予測値が29%増加した。
論文 参考訳（メタデータ） (2020-06-01T16:04:08Z) - Deep learning mediated single time-point image-based prediction of
embryo developmental outcome at the cleavage stage [1.6753684438635652]
クリーベージ段階の移行は、予後不良の患者や、資源制限された環境での妊娠センターにおいて有益である。
タイムラプスイメージングシステムは可能な解決策として提案されているが、コストが抑えられ、かさばる高価なハードウェアを必要とする。
本稿では, 遺伝的アルゴリズムと併用した訓練CNNを用いて, 切断段階におけるヒト胚の分類と選択の自動化システムについて報告する。
論文 参考訳（メタデータ） (2020-05-21T21:21:15Z)
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。