論文の概要: A review of Generative Adversarial Networks for Electronic Health
Records: applications, evaluation measures and data sources
- arxiv url: http://arxiv.org/abs/2203.07018v1
- Date: Mon, 14 Mar 2022 11:56:47 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-15 16:52:18.843492
- Title: A review of Generative Adversarial Networks for Electronic Health
Records: applications, evaluation measures and data sources
- Title(参考訳): 電子健康記録のための生成的広告ネットワークの展望 : 応用, 評価方法, データソース
- Authors: Ghadeer Ghosheh, Jin Li and Tingting Zhu
- Abstract要約: Generative Adversarial Networks (GANs) は、基礎となるデータ分布を学習することで、合成EHRデータを生成する大きな可能性を示している。
本研究は,GANs for EHRの様々な応用における主要な展開を概観することを目的としており,提案手法の概要を提供する。
我々は、EHR開発におけるGANの課題について議論し、推奨プラクティスを提案することで締めくくります。
- 参考スコア(独自算出の注目度): 8.319639237899155
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Electronic Health Records (EHRs) are a valuable asset to facilitate clinical
research and point of care applications; however, many challenges such as data
privacy concerns impede its optimal utilization. Generative Adversarial
Networks (GANs) show great promise in generating synthetic EHR data by learning
underlying data distributions while achieving excellent performance and
addressing these challenges. This work aims to review the major developments in
various applications of GANs for EHRs and provides an overview of the proposed
methodologies. For this purpose, we combine perspectives from healthcare
applications and machine learning techniques in terms of source datasets and
the fidelity and privacy evaluation of the generated synthetic datasets. We
also compile a list of the metrics and datasets used by the reviewed works,
which can be utilized as benchmarks for future research in the field. We
conclude by discussing challenges in GANs for EHRs development and proposing
recommended practices. We hope that this work motivates novel research
development directions in the intersection of healthcare and machine learning.
- Abstract(参考訳): EHR(Electronic Health Records)は、臨床研究と医療応用のポイントを促進する貴重な資産であるが、データプライバシの懸念など多くの課題が、その最適な利用を妨げる。
Generative Adversarial Networks (GANs) は、基礎となるデータ分布を学習し、優れたパフォーマンスを達成し、これらの課題に対処することで、合成 EHR データを生成する上で大きな可能性を秘めている。
本研究の目的は, GANs for EHR の様々な応用における主要な展開を概観することであり,提案手法の概要を提供する。
この目的のために, 医療アプリケーションと機械学習技術からの視点を, ソースデータセットと生成した合成データセットの忠実性とプライバシ評価の観点から組み合わせる。
また、レビュー作業で使用されるメトリクスとデータセットのリストをコンパイルし、この分野の今後の研究のベンチマークとして利用します。
我々は、EHR開発におけるGANの課題について議論し、推奨プラクティスを提案することで締めくくります。
この研究が、医療と機械学習の交差点における新しい研究の方向性を動機付けることを願っている。
関連論文リスト
- CEHR-GPT: Generating Electronic Health Records with Chronological
Patient Timelines [12.040682280808863]
我々は合成データ生成に焦点をあて、特定の患者表現を用いてGPTモデルを訓練する能力を実証する。
これにより、観察医療成果パートナーシップ(OMOP)データフォーマットにシームレスに変換できる患者シーケンスを生成することができる。
論文 参考訳(メタデータ) (2024-02-06T20:58:36Z) - Recent Advances in Predictive Modeling with Electronic Health Records [73.31880579203012]
EHRデータを予測モデリングに利用すると、その特徴からいくつかの課題が生じる。
深層学習は、医療を含む様々な応用においてその優位性を示している。
論文 参考訳(メタデータ) (2024-02-02T00:31:01Z) - EASRec: Elastic Architecture Search for Efficient Long-term Sequential
Recommender Systems [82.76483989905961]
現在のSRS(Sequential Recommender Systems)は、計算とリソースの非効率に悩まされている。
我々は、効率的な長期シーケンスレコメンダシステム(EASRec)のための弾性アーキテクチャー探索を開発する。
EASRecは、入力データバッチから履歴情報を活用するデータ認識ゲートを導入し、レコメンデーションネットワークの性能を改善する。
論文 参考訳(メタデータ) (2024-02-01T07:22:52Z) - 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) - Machine Learning for Administrative Health Records: A Systematic Review
of Techniques and Applications [5.353552655309808]
行政健康記録 (Administrative Health Records, AHR) は、行政上の目的で収集された EHR のサブセットである。
本稿では、AHRに基づく研究を体系的にレビューし、70の関連研究を分析し、複数のデータベースにまたがる。
AHRに基づく研究は互いに切り離されているが、健康情報学研究におけるAHRの利用は著しく加速している。
論文 参考訳(メタデータ) (2023-08-27T22:34:10Z) - Leveraging Generative AI Models for Synthetic Data Generation in
Healthcare: Balancing Research and Privacy [0.0]
GANやVAEといった生成AIモデルは、貴重なデータアクセスと患者のプライバシ保護のバランスをとるための、有望なソリューションを提供する。
本稿では,現実的な匿名化された患者データを作成するための生成AIモデルについて検討する。
論文 参考訳(メタデータ) (2023-05-09T08:12:44Z) - Assessing Scientific Contributions in Data Sharing Spaces [64.16762375635842]
本稿では、研究者の科学的貢献を測定するブロックチェーンベースのメトリクスであるSCIENCE-indexを紹介する。
研究者にデータ共有のインセンティブを与えるため、SCIENCE-indexはデータ共有パラメータを含むように拡張されている。
本モデルは, 地理的に多様な研究者の出力分布とh-indexの分布を比較して評価する。
論文 参考訳(メタデータ) (2023-03-18T19:17:47Z) - Does Synthetic Data Generation of LLMs Help Clinical Text Mining? [51.205078179427645]
臨床テキストマイニングにおけるOpenAIのChatGPTの可能性を検討する。
本稿では,高品質な合成データを大量に生成する新たな学習パラダイムを提案する。
提案手法により,下流タスクの性能が大幅に向上した。
論文 参考訳(メタデータ) (2023-03-08T03:56:31Z) - A Multifaceted Benchmarking of Synthetic Electronic Health Record
Generation Models [15.165156674288623]
人工健康データの重要な特徴を評価するために,一般化可能なベンチマークフレームワークを導入する。
その結果, 合成EHRデータの共有にはユーティリティ・プライバシ・トレードオフが存在することがわかった。
論文 参考訳(メタデータ) (2022-08-02T03:44:45Z) - Opportunities and Challenges of Deep Learning Methods for
Electrocardiogram Data: A Systematic Review [62.490310870300746]
心電図(Electrocardiogram、ECG)は、医学および医療において最も一般的に用いられる診断ツールの1つである。
深層学習法は心電図信号を用いた予測医療タスクにおいて有望な結果を得た。
本稿では、モデリングとアプリケーションの観点から、ECGデータに対するディープラーニング手法の体系的なレビューを行う。
論文 参考訳(メタデータ) (2019-12-28T02:44:29Z)
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。