論文の概要: AutoMap: Automatic Medical Code Mapping for Clinical Prediction Model Deployment

• arxiv url: http://arxiv.org/abs/2203.02446v1
• Date: Fri, 4 Mar 2022 17:20:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-07 15:39:41.761598
• Title: AutoMap: Automatic Medical Code Mapping for Clinical Prediction Model Deployment
• Title（参考訳）: AutoMap: 臨床予測モデル展開のための自動医療コードマッピング
• Authors: Zhenbang Wu, Cao Xiao, Lucas M Glass, David M Liebovitz, Jimeng Sun
• Abstract要約: 本稿では,異なるEHRシステムにまたがる医療情報を自動マッピングするAutoMapを提案する。 実世界のEHRデータセットであるeICUとMIMIC-IIIの2つの深層学習モデルを用いてAutoMapを評価する。 その結果、AutoMapは死亡予測のための相対的な改善を3.9%(AUC-ROC)と8.7%(AUC-PR)に達成している。
• 参考スコア（独自算出の注目度）: 61.20485847293752
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Given a deep learning model trained on data from a source site, how to deploy the model to a target hospital automatically? How to accommodate heterogeneous medical coding systems across different hospitals? Standard approaches rely on existing medical code mapping tools, which have significant practical limitations. To tackle this problem, we propose AutoMap to automatically map the medical codes across different EHR systems in a coarse-to-fine manner: (1) Ontology-level Alignment: We leverage the ontology structure to learn a coarse alignment between the source and target medical coding systems; (2) Code-level Refinement: We refine the alignment at a fine-grained code level for the downstream tasks using a teacher-student framework. We evaluate AutoMap using several deep learning models with two real-world EHR datasets: eICU and MIMIC-III. Results show that AutoMap achieves relative improvements up to 3.9% (AUC-ROC) and 8.7% (AUC-PR) for mortality prediction, and up to 4.7% (AUC-ROC) and 3.7% (F1) for length-of-stay estimation. Further, we show that AutoMap can provide accurate mapping across coding systems. Lastly, we demonstrate that AutoMap can adapt to the two challenging scenarios: (1) mapping between completely different coding systems and (2) between completely different hospitals.
• Abstract（参考訳）: ソースサイトからのデータに基づいてトレーニングされたディープラーニングモデルを考えると、モデルをターゲット病院に自動的にデプロイする方法は何か? 病院間における異種医療符号化システムへの対応 標準的なアプローチは、既存の医療コードマッピングツールに依存している。 この問題に対処するために,我々はAutoMapを提案する。(1)オントロジーレベルのアライメント:オントロジー構造を利用して,ソースとターゲットの医療用コーディングシステム間の粗いアライメントを学習する;(2)コードレベルのリファインメント:教師の学習フレームワークを用いて,下流のタスクの詳細なコードレベルでアライメントを洗練する。 実世界のEHRデータセットであるeICUとMIMIC-IIIの2つの深層学習モデルを用いてAutoMapを評価する。 その結果、AutoMapは死亡予測の相対的な改善を3.9%(AUC-ROC)と8.7%(AUC-PR)に、そして推定の4.7%(AUC-ROC)と3.7%(F1)に達成している。 さらに,automapは符号化システム間の正確なマッピングを提供することができることを示す。 最後に, (1) 全く異なるコーディングシステム間のマッピングと (2) 全く異なる病院間のマッピングという,2つの困難なシナリオにautomapが適応できることを実証する。

関連論文リスト

• Neural Semantic Map-Learning for Autonomous Vehicles [85.8425492858912]
  本稿では,道路環境のコヒーレントな地図を作成するために,車両群から収集した局所部分写像を中心インスタンスに融合するマッピングシステムを提案する。 本手法は,シーン特異的なニューラルサイン距離場を用いて,雑音と不完全局所部分写像を併用する。 我々は,記憶効率の高いスパース機能グリッドを活用して大規模にスケールし,シーン再構築における不確実性をモデル化するための信頼スコアを導入する。
  論文  参考訳（メタデータ） (2024-10-10T10:10:03Z)
• Remote sensing framework for geological mapping via stacked autoencoders and clustering [0.15833270109954137]
  リモートセンシングデータを処理するための教師なし機械学習ベースのフレームワークを提案する。 オーストラリアのムタウィンチ地域の地質マッピングの枠組みを評価するために,ランドサット8,ASTER,Sentinel-2のデータセットを用いた。 本研究により, 岩盤単位を効率的に識別し, 高精度かつ解釈可能な地質図を作成できることが判明した。
  論文  参考訳（メタデータ） (2024-04-02T09:15:32Z)
• Automated Medical Coding on MIMIC-III and MIMIC-IV: A Critical Review and Replicability Study [60.56194508762205]
  我々は、最先端の医療自動化機械学習モデルを再現し、比較し、分析する。 その結果, 弱い構成, サンプル化の不十分さ, 評価の不十分さなどにより, いくつかのモデルの性能が低下していることが判明した。 再生モデルを用いたMIMIC-IVデータセットの総合評価を行った。
  論文  参考訳（メタデータ） (2023-04-21T11:54:44Z)
• Neurosymbolic hybrid approach to driver collision warning [64.02492460600905]
  自律運転システムには2つの主要なアルゴリズムアプローチがある。 ディープラーニングだけでは、多くの分野で最先端の結果が得られています。 しかし、ディープラーニングモデルが機能しない場合、デバッグが非常に難しい場合もあります。
  論文  参考訳（メタデータ） (2022-03-28T20:29:50Z)
• TransICD: Transformer Based Code-wise Attention Model for Explainable ICD Coding [5.273190477622007]
  国際疾患分類法 (ICD) は, 医療分野の請求システムにおいて有効かつ重要であることが示されている。 現在、ICDコードは手動で臨床メモに割り当てられており、多くのエラーを引き起こす可能性がある。 本稿では,文書のトークン間の相互依存を捉えるためにトランスフォーマーベースのアーキテクチャを適用し,コードワイド・アテンション・メカニズムを用いて文書全体のコード固有表現を学習する。
  論文  参考訳（メタデータ） (2021-03-28T05:34:32Z)
• Distributed Dynamic Map Fusion via Federated Learning for Intelligent Networked Vehicles [9.748996198083425]
  本稿では,高い地図品質を実現するために,連合学習に基づく動的地図融合フレームワークを提案する。 提案されたフレームワークはcarla(carla)シミュレーションプラットフォームに実装されている。
  論文  参考訳（メタデータ） (2021-03-05T16:28:46Z)
• An Explainable CNN Approach for Medical Codes Prediction from Clinical Text [1.7746314978241657]
  我々は集中治療室(ICU)における臨床テキストに基づくCNNベースの自動ICD符号化法を開発した。 私たちは、私たちのモデルが各ラベルの局所的および低レベルの機能を学ぶことを可能にするShallow and Wide Attention Convolutional Mechanism(SWAM)を思いつきました。
  論文  参考訳（メタデータ） (2021-01-14T02:05:34Z)
• AutoFIS: Automatic Feature Interaction Selection in Factorization Models for Click-Through Rate Prediction [75.16836697734995]
  自動特徴相互作用選択(AutoFIS)と呼ばれる2段階のアルゴリズムを提案する。 AutoFISは、目標モデルを収束させるためにトレーニングするのと同等の計算コストで、因子化モデルに対する重要な特徴的相互作用を自動的に識別することができる。 AutoFISはHuawei App Storeレコメンデーションサービスのトレーニングプラットフォームにデプロイされている。
  論文  参考訳（メタデータ） (2020-03-25T06:53:54Z)
• Learning Autoencoders with Relational Regularization [89.53065887608088]
  データ分散のオートエンコーダを学習するための新しいフレームワークを提案する。 エンフレレーショナル正規化によるモデルと対象分布の差を最小限にする 我々はこのフレームワークを2つのスケーラブルアルゴリズムで実装し、確率的および決定論的オートエンコーダの両方に適用する。
  論文  参考訳（メタデータ） (2020-02-07T17:27:30Z)

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。